K-Digital Training 데이터 사이언스/엔지니어링 공공데이터 시각화 PJT

1조 데이터, 날 이끌어 조 (권미숙 김병석 이우림 천준 홍효석)

전기차 이대로 괜찮은가?

• 주제선정 배경
  • 글로벌 온실가스 감축 정책으로 인한 자동차 분야의 규제 강화로 전 세계가 전기차 시장 확대에 노력하고 있음
  • 환경부는 2011년부터 온실가스와 대기오염물질을 줄이기 위한 방안으로 전기차 보급 확대를 추진하고 있음
  • 많은 기업에서도 ESG에 관심도가 높음
  • 실제 전기차 등록 및 관심도가 증가하고 있으나, 전기차 구매 및 유지와 관련된 비용 및 인프라에 대한 문제점도 대두

• 프로젝트 목표
  • 전기차 관련 현황과 전기차의 경제성 및 인프라와 관련된 문제점을 분석하여 전기차 사용 확대를 위한 개선 및 정책 방향을 제안
    • 전기차에 대한 관심도를 검색량을 통해 알아보고, 실제로 한국에서 전기차가 얼마나 증가했는지 현황 분석
    • 한국은 급증하는 전기차를 충분히 커버할 수 있는 인프라가 구축되어 있는지 살펴보고, 취약한 지역에 개선 제안

• 구성원 및 역할
  • 권미숙 : 전국 휴게소의 전기차 충전소 현황 분석 및 고속도로 주유소/휴게소 매출 규모와 충전기수의 상관성 분석
  • 김병석 : 전기차와 내연기관차의 경제적 분석 (차량 모델별 구매금액, 보조금, 유지비용 등)
  • 이우림 : Youtube 전기자동차전기세 검색 단어 분석 및 한전 시간대별/계절별 충전 부하량, 시도별 보조금 접수율 분석
  • 천준 : 연도별, 세계 국가별 전기자동차 Google 검색량 추이 변화 분석 및 한국의 전기자동차 검색량 추이 분석
  • 홍효석(조장) : 한국의 전기자동차 증가추세 및 전국의 지역별 충전소 현황과 전기차 등록대수 현황 분석

---

Libraries

# 분석에 사용한 라이브러리 

import pandas as pd # 데이터 전처리 및 분석에 필요한 라이브러리
import numpy as np


import matplotlib.pyplot as plt # 시각화에 필요한 라이브러리
import matplotlib 
import seaborn as sns
%matplotlib inline


from apiclient.discovery import build # youtube 데이터 크롤링 시 필요한 라이브러리
from apiclient.errors import HttpError
from oauth2client.tools import argparser


from wordcloud import WordCloud # 워드클라우드 라이브러리
from PIL import Image


import konlpy.tag # konlpy 명사 단위로 단어를 분석해주는 라이브러리
from collections import Counter 


import folium # geojson 파일을 이용하여 지도에 시각화 할 수 있는 라이브러리
from folium import plugins
import json

import itertools

from folium.features import DivIcon
import folium
import json
from folium import plugins

import math
from adjustText import adjust_text
import warnings
warnings.filterwarnings('ignore')

*set options

plt.rcParams['font.family'] = 'AppleGothic' # 그래프 한글폰트 조정
matplotlib.rc("axes", unicode_minus=False) # 마이너스 값 조정

from IPython.display import set_matplotlib_formats
set_matplotlib_formats("retina") # retina 디스플레이를 지원하는 환경에서 폰트를 더 선명하게 보여줌

---

연도별, 세계 국가별 전기자동차 Google 검색량 추이 변화 분석 및 한국의 전기자동차 검색량 추이 분석

• 1.구글 트랜드에서 제공하는 데이터셋 다운로드 후 분석
  • 웹사이트 = https://trends.google.com/trends/explore?date=all&q=%2Fm%2F01pmdg 에서 '세계 2004-현재 전기차주제 검색 비중' 데이터 다운
  • chromedriver로 오토 다운 가능

• 2.웹 크롤링을 통한 데이터 수집

1. 구글 트렌드에서 제공하는 데이터셋

데이터 분석

1. 데이터 불러와서 행과 열 불러와 구조 파악
2. 요구 데이터 각 1월을 그달 년도만 지정; 데이터 열 생성
3. 요구 데이터 (이동평균선); 데이터열 생성

데이터 불러오기

• 0번째 제외하고 인덱스 풀기
• 카테고리: 모든 카테고리항목의 문자열을 숫자로 바꾸고 리스트로 가져오기

df = pd.read_csv('/Users/user/Downloads/My_data/17년 세계전기차주제 검색 상대적 추의.csv')
df1=df.iloc[1:]
df1.reset_index()
search_ls=list(((np.array(df1['카테고리: 모든 카테고리'].tolist()))))
search_ls1= list(map(int,search_ls))

달구분되있는 데이터를 각 1월달을 대표로 지정하기

년도를 지정하는 과정

• n = 일단 월을 지정한다.(순서대로)
• m = 그다음 매월 1월을 년도의 기준점으로 잡기위해 12로 나누웠을때 나머지가 1인경우만 마크한다
• l = 그 마크에따라 2004년부터 순서대로 기입한다. 1월을 제외한 달은 ''공간으로 남겨둔다.

n = []
a = 0
for i in range(len(search_ls)) :
    a = a + 1
    n.append(a)

m = []
for i in n :
    if i % 12 == 1 :
        m.append(1)
    else:
        m.append(0)

l = []
a = 2003
for i in m :
    if i == 1 :
        a = a + 1
        l.append(a)
    else :
        l.append('')

12개월 평균 이동선 그래프

• 처음 11개월은 앞의 데이터가 없음으로 0으로 간주하고 같이 평균을 낸다.
• m12 이동평균선 리스트 작성
• 그후 그래프

m12 = []
a1=0
a2=0
a3=0
a4=0
a5=0
a6=0
a7=0
a8=0
a9=0
a10=0
a11=0
a12=0
for i in search_ls1 :
    a1 = a2
    a2 = a3
    a3 = a4
    a4 = a5
    a5 = a6
    a6 = a7
    a7 = a8
    a8 = a9
    a9 = a10
    a10 = a11
    a11 = a12
    a12 = i
    
    b = (a12+a11+a10+a9+a8+a7+a6+a5+a4+a3+a3+a2+a1)/12
    m12.append(b)

데이터 분석 결과 (시각화)

두개의 그래프를 한자리에 합쳐 시각화 한다.

plt.figure(figsize=(20,7))
plt.ylim((20,100))
plt.xlim([0,213])
plt.title('2004년~ 현재 세계 전기차주제 검색 변화',size =25)
plt.xlabel('기간(년)', labelpad = 10, size =20, weight = 800, )
plt.ylabel('상대적 검색비율', labelpad = 15 , size =20)

y = np.arange(len(search_ls1))
plt.plot(y, m12,color = 'red', linewidth=2.0 ,label = '12개월 평균이동선', linestyle = '--')

plt.bar(y, search_ls1,color = '#17becf')
plt.xticks(y, l, fontsize=15)
plt.yticks(fontsize = 15)
plt.legend(fontsize =14)


plt.show()

위 시각화 자료에 의하면 다음 정보를 전달해 줄 수 있다.

1. 2004년부터 2016년도까지 거의 변화가 없음을 보아 전기차의 어떤 기대의 변화가 없었음을 알 수 있다.
2. 2017년부터 분명한 추세 변화가 보인다.
3. 2번으로 보아 2017년부터 무슨 변화가 있었음을 알 수 있다.. 어떤 점이 분명히 있다.

2. 웹 크롤링을 통한 데이터 수집 분석

browser = webdriver.Chrome("C://Myexam//chromedriver//chromedriver.exe")
url = "https://trends.google.com/trends/"
browser.get(url)

주제명 & 기간 변수

• 시간 변수 없을때는 12개월
• 나라변수 없을때는 전세계

#time.sleep(3)
#words_subject = ['%2Fm%2F01pmdg']
#date_duration = ['','2020-09-06%202021-09-06','2019-09-06%202020-09-06','2018-09-06%202019-09-06','2017-09-06%202018-09-06','2016-09-06%202017-09-06','2015-09-06%202016-09-06','2014-09-06%202015-09-06','2013-09-06%202014-09-06','2012-09-06%2020213-09-06','2011-09-06%2020212-09-06','2010-09-06%2020211-09-06','today%205-y']
#finding = url+'explore?'+'date='+date_duration[0]+'&'+'q='+words_subject[0]
#print(finding)
#browser.get(finding)

크롤링

• 크롤링 해야하는 페이지수 지정(계산)
• 가져와야하는 데이터 처리 (랭킹, 나라이름, 검색비중)
• 엑셀에 저장

# time.sleep(3)
# html = browser.page_source
# soup = BeautifulSoup(html, 'html.parser')

# Nstr = browser.find_element_by_css_selector('.pagination').text.strip()
# Nstr[0:2]
# PN = int(Nstr[0:2])
# print('총나라 수 = ',PN)

# if PN % 5 == 0 :
#     b = PN // 5
# else :
#     b = (PN // 5)  + 1
# print('크롤링 해야하는 페이지수 = ',b)

# a = 0
# b 
# c = 0
# country_name_ratio_data = []
# for i in range(b) :
#     a = i + 1
#     print(a)
#     time.sleep(3)
#     html = browser.page_source
#     soup = BeautifulSoup(html, 'html.parser')
#     country_name = soup.select( 'div.label-text')
#     country_ratio = soup.select( 'div.progress-value')
    
#     for i in range(min(len(country_ratio) , len(country_name))) :
#         a1 = country_name[i]
#         a2 = country_ratio[i]
#         b1 = a1.text.strip()
#         b2 = a2.text.strip()
#         c  = c + 1
#         data = [c,b1,b2]
#         country_name_ratio_data.append(data)
#     df = pd.DataFrame(country_name_ratio_data)
#     df.columns = ['ranking','Country Name', 'Search ratio']
#     time.sleep(3)
#     browser.find_element_by_css_selector('.material-icons.arrow-right-active').click()
# df
# df.to_excel('c://My_data//electric_vehicle_serach_rank.xlsx', index = False)
# print('저장완료')

데이터 분석

설명

• 데이터 열 추가 : 데이터에 각나라에 한가지 색을 지정하고 대한민국에만 다른 색을 지정해야한다.
• excel 데이터 파일에 다시 저장한다.
• 데이터 프레임을 불러와 확인한다.
• 위 과정을 1년, 5년 누적 데이터를 처리한다.

df = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_201-y.xlsx', usecols = [0,1,2])
df['colorIndex'] = np.where(df['Country Name']=='대한민국', 'red', 'dodgerblue')
df.to_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_201-y.xlsx', index = False)

DF1 = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_201-y.xlsx', usecols = [1,2,3])
print(DF1.head())
print(DF1.tail())

  Country Name  Search ratio  colorIndex
0         뉴질랜드           100  dodgerblue
1           영국            75  dodgerblue
2           인도            74  dodgerblue
3         싱가포르            73  dodgerblue
4           네팔            72  dodgerblue
   Country Name  Search ratio  colorIndex
46          러시아             5  dodgerblue
47          멕시코             4  dodgerblue
48          브라질             3  dodgerblue
49        아르헨티나             3  dodgerblue
50           일본             2  dodgerblue

df = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_205-y.xlsx', usecols = [0,1,2])
df['colorIndex'] = np.where(df['Country Name']=='대한민국', 'red', 'dodgerblue')
df.to_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_205-y.xlsx', index = False)

DF5 = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_205-y.xlsx', usecols = [1,2,3])
print(DF5.head())
print(DF5.tail())

  Country Name  Search ratio  colorIndex
0         뉴질랜드           100  dodgerblue
1          캐나다            79  dodgerblue
2           네팔            77  dodgerblue
3           영국            74  dodgerblue
4         노르웨이            73  dodgerblue
   Country Name  Search ratio  colorIndex
52           페루             5  dodgerblue
53        아르헨티나             5  dodgerblue
54          브라질             4  dodgerblue
55           이란             4  dodgerblue
56           일본             3  dodgerblue

정확한 비교를 위하여 5년누적 데이터에서 (아래 6개 나라를) 차의만큼 제외처리

len(DF5)-len(DF1)

6

DF5_1 = DF5.drop(index = [51,52,53,54,55,56])

print(DF1.tail())
print(DF5_1.tail())

   Country Name  Search ratio  colorIndex
46          러시아             5  dodgerblue
47          멕시코             4  dodgerblue
48          브라질             3  dodgerblue
49        아르헨티나             3  dodgerblue
50           일본             2  dodgerblue
   Country Name  Search ratio  colorIndex
46          이집트             8  dodgerblue
47         이탈리아             7  dodgerblue
48          멕시코             7  dodgerblue
49      사우디아라비아             7  dodgerblue
50          러시아             6  dodgerblue

데이터 시각화

• 3개 열의 데이터를 각각 리스트로 추출: (색 인덱스: color_ls), (나라 이름: countryN_ls), (검색 비중 : searchR_ls)
• 가로 바 그래프 구현 (왼쪽:5년 오른쪽:1년)
• 그래프 전체 사이즈 정의
• 각 타이틀 정의, x,y축설명 정의

DF1 = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_201-y.xlsx', usecols = [1,2,3])

color_ls_1y=list(reversed((np.array(DF1['colorIndex'].tolist()))))
countryN_ls_1y=list(reversed(np.array(DF1['Country Name'].tolist())))
searchR_ls_1y=list(reversed(np.array(DF1['Search ratio'].tolist())))

DF5 = pd.read_excel('/Users/user/Downloads/My_data/electric_vehicle_serach_ranktoday_205-y.xlsx', usecols = [1,2,3])
DF5_1 = DF5.drop(index = [51,52,53,54,55,56])

color_ls_5y=list(reversed((np.array(DF5_1['colorIndex'].tolist()))))
countryN_ls_5y=list(reversed(np.array(DF5_1['Country Name'].tolist())))
searchR_ls_5y=list(reversed(np.array(DF5_1['Search ratio'].tolist())))

plt.figure(figsize=(12,14))

plt.subplot(1,2,2)

plt.title('1년누적 검색 순위',size =25)
y = np.arange(len(countryN_ls_1y))
plt.barh(y, searchR_ls_1y, color=color_ls_1y)
plt.yticks(y, countryN_ls_1y)

D1=plt.xlabel('Searching Ratio', labelpad=20, )
D1=plt.ylabel('Country Name', labelpad=20, )

plt.subplot(1,2,1)

plt.title('5년누적 검색 순위',size =25)
y = np.arange(len(countryN_ls_5y))
plt.barh(y, searchR_ls_5y, color=color_ls_5y)
plt.yticks(y, countryN_ls_5y)

D5=plt.xlabel('Searching Ratio', labelpad=20, )
D5=plt.ylabel('Country Name', labelpad=20, )

plt.tight_layout()

위 시각화 자료에 의하면 다음 정보를 전달해 줄 수 있다.

1. 우리나라의 국민들의 전기차에관한 관심은 과거 5년 보다 1년동안 증가 해왔음을 알 수 있다.
2. 우리나라의 전기차에 관한 관심은 세계에 상위 그룹에 꾸준히 속해왔다.
3. (저탄소 배출 국가진입으로 선언한 선진국중 하나인 우리나라 이지만) 하지만, 유럽과 북미 국가들과 같은 높은 관심도를 가지기엔 아직 부족하다. 어떤 문제점이 분명히 있다.

---

한국의 전기자동차 증가추세 및 전국의 지역별 충전소 현황과 전기차 등록대수 현황 분석

데이터 수집

• 국토 교통부 보도 자료 :시도별 연료별 등록 현황, 시도별 전기차 충전소 위치
  
• 환경부 전기자동차 충전기 보급 현황
  
• 한국전력 공사 지역별 전기차 충전소 현황
  

데이터 분석

• 전체 등록된 자동차와 전기차 등록수를 통해 얻은 전기차 비율의 데이터를 데이터 프레임 및 matplot 그래프를 통해 비교
  
• 지역별 전기차 수와 충전소 수를 데이터 프레임 및 Folium을 통한 지도에 표현하여 비교
  
• 지역별 전기차 수, 지역별 충전소 수의 데이터를 합쳐 각 지역별 충전소가 몇대의 차량을 할당해야 하는지 비교
  

#국내 자동차 등록 현황 및 전기차 등록 현황
df11 = pd.read_csv('/Users/user/Downloads/자동차 등록 현황 2.csv', encoding = 'utf-8')
df11['전기차비율(%)'] = (df11['전기차']/(df11['대수(만대)']*10000))*100   # 전기차 비율을 테이블에 추가
df11.set_index('연도', inplace = True)
df11.head(13)

	대수(만대)	증가(천대)	증가율(%)	하이브리드차	전기차	친환경차 등록 비중(%)	전기차비율(%)
연도
2008	1679	366	2.2	0	0	0.0	0.000000
2009	1733	531	3.2	0	0	0.0	0.000000
2010	1794	616	3.6	0	0	0.0	0.000000
2011	1844	496	2.8	0	0	0.0	0.000000
2012	1887	434	2.3	0	0	0.0	0.000000
2013	1940	530	2.8	103580	1464	0.5	0.007546
2014	2012	717	3.7	137522	2775	0.7	0.013792
2015	2099	872	4.3	174620	5712	0.9	0.027213
2016	2180	813	3.9	233216	10855	1.1	0.049794
2017	2253	725	3.3	313856	25108	1.5	0.111443
2018	2320	674	3.0	405084	55756	2.0	0.240328
2019	2368	475	2.0	506047	89918	2.5	0.379721
2020	2437	689	2.9	674461	134962	3.4	0.553804

연도별 전기차 비율 그래프

df11['전기차비율(%)'].plot(kind = 'line', grid = True, figsize = (10,6))
plt.show() 

연료별 차량 등록 현황

df12 = pd.read_csv('/Users/user/Downloads/연료별 연도 차량 등록 형황.csv', encoding = 'utf-8')
df12.head(9)

	연료	2014	2015	2016	2017	2018	2019	2020
0	합계	20117955	20989885	21803351	22528295	23202555	23677366	24365979
1	휘발유	9587351	9808633	10092399	10369752	10629296	10960779	11410484
2	경유	7938627	8622179	9170456	9576395	9929537	9957543	9992124
3	하이브리드	137522	174620	233216	313856	405084	506047	674461
4	CNG	40457	39777	38880	38918	38934	38147	36940
5	전기	2775	5712	10855	25108	55756	89918	134962
6	수소	x	29	87	170	893	5083	10906
7	기타(등유, 알코올, 태양열, LNG)	74567	81488	90364	99421	107652	115119	126695

시, 도별 연료별 등록 현황

df = pd.read_csv('/Users/user/Downloads/시도별 연료별 등록 현황.csv')
df

	시, 도명	수소	전기	하이브리드	소계
0	서울특별시	1671	23393	115280	140344
1	부산광역시	916	5355	38914	45185
2	대구광역시	66	12630	34936	47632
3	인천광역시	488	5366	58590	64444
4	광주광역시	701	3210	17459	21370
5	대전광역시	507	4469	17655	22631
6	울산광역시	1819	2274	14125	181218
7	세종특별자치시	42	1148	7716	8906
8	경기도	1578	20477	186711	208766
9	강원도	856	4078	17819	22753
10	충청남도	468	5489	23587	29544
11	충청북도	332	3883	18663	22878
12	전라북도	409	3323	19306	23038
13	전라남도	127	5223	23373	26723
14	경상북도	18	7051	27133	34202
15	경상남도	908	6308	37610	44826
16	제주특별자치도	0	21285	17584	38869

#json import
geo_path = '/Users/user/Downloads/korea.json'
geo_str = json.load(open(geo_path, encoding='utf-8'))

Folium을 통해 지도에 표현

df = df.set_index('시, 도명')
map_elec = folium.Map(location=[36.8,127.5],zoom_start=7,width=650,tiles="OpenstreetMap")
choropleth= folium.Choropleth(geo_data = geo_str,
                   data= df['전기'],
                   columns=[df.index, df['전기']],
                   fill_color='YlOrRd', fill_opacity = 0.7, line_opacity = 0.5,
                   legend_name = '전기차 등록수',
                   key_on='feature.properties.CTP_KOR_NM',
                   hightlight = True).add_to(map_elec)
choropleth.geojson.add_child(folium.features.GeoJsonTooltip(['CTP_KOR_NM'],labels=False))
title_html = '<h3 align="center" style="font-size:20px"><b>전기차 등록수</b></h3>'
map_elec.get_root().html.add_child(folium.Element(title_html))
folium.LayerControl().add_to(map_elec)
folium.Marker([37.566376216047416, 126.97793714752575],tooltip = ('<h4><b>서울특별시</h4></b><br>'
                                                                  '<b>23393</b>(대)<br>'),
                                                                  icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.18161401251675, 129.0749009303332],tooltip = ('<h4><b>부산광역시</h4></b><br>'
                                                                  '<b>5355</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.872724798317336, 128.60157820151056],tooltip = ('<h4><b>대구광역시</h4></b><br>'
                                                                  '<b>12630</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([37.45717854625683, 126.70608712866449],tooltip = ('<h4><b>인천광역시</h4></b><br>'
                                                                  '<b>5366</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.16154890940474, 126.85113223821762],tooltip = ('<h4><b>광주광역시</h4></b><br>'
                                                                  '<b>3210</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([36.35183798303863, 127.38456097213506],tooltip = ('<h4><b>대전광역시</h4></b><br>'
                                                                  '<b>4469</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.54108779541202, 129.311012377861],tooltip = ('<h4><b>울산광역시</h4></b><br>'
                                                                  '<b>2274</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([36.48151087488188, 127.28824958043015],tooltip = ('<h4><b>세종특별자치시</h4></b><br>'
                                                                  '<b>1148</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([37.27587380587975, 127.00952278547365],tooltip = ('<h4><b>경기도</h4></b><br>'
                                                                  '<b>20477</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([37.88654869282715, 127.72994722988823],tooltip = ('<h4><b>강원도</h4></b><br>'
                                                                  '<b>4078</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([36.66197506027618, 126.67255976505552],tooltip = ('<h4><b>충청남도</h4></b><br>'
                                                                  '<b>5489</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([36.63718549459551, 127.49116190361212],tooltip = ('<h4><b>충청북도</h4></b><br>'
                                                                  '<b>3883</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.821611454685836, 127.10838343999644],tooltip = ('<h4><b>전라북도</h4></b><br>'
                                                                  '<b>3323</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([34.81769711766335, 126.46266646799148],tooltip = ('<h4><b>전라남도</h4></b><br>'
                                                                  '<b>5223</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([36.57691547616853, 128.50568119550917],tooltip = ('<h4><b>경상북도</h4></b><br>'
                                                                  '<b>7051</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([35.23997169488024, 128.69214026911433],tooltip = ('<h4><b>경상남도</h4></b><br>'
                                                                  '<b>6308</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)
folium.Marker([33.37116300534748, 126.53038014320936],tooltip = ('<h4><b>제주특별자치도</h4></b><br>'
                                                                  '<b>21285</b>(대)<br>'),icon=folium.Icon(color='red')).add_to(map_elec)

map_elec

Make this Notebook Trusted to load map: File -> Trust Notebook

지역별 전기차 충전소 현황

df1 = pd.read_csv('/Users/user/Downloads/한국전력공사_지역별 전기차 충전소 현황정보.csv')
df1

	지역	2016	2017	2018	2019	2020
0	강원도	5	118	142	169	174
1	경기도	22	572	632	682	737
2	경상남도	23	197	233	253	265
3	경상북도	8	128	178	192	209
4	광주광역시	4	54	76	87	91
5	대구광역시	4	181	205	223	241
6	대전광역시	3	86	98	105	107
7	부산광역시	6	97	120	126	137
8	서울특별시	28	444	518	546	580
9	세종특별자치시	1	48	61	61	63
10	울산광역시	4	38	42	45	48
11	인천광역시	3	117	129	134	148
12	전라남도	20	127	154	173	186
13	전라북도	9	109	130	143	149
14	제주특별자치도	7	156	186	205	203
15	충청남도	5	74	98	110	119
16	충청북도	13	125	145	153	173

Folium을 통해 지도에 표현

geo_path = '/Users/user/Downloads/korea.json'
geo_str1= json.load(open(geo_path, encoding = 'utf-8')) 
df1 = df1.set_index('지역')
map_cs = folium.Map(location=[36.8,127.5],zoom_start=7,width=650)
map_cs.choropleth(geo_data=geo_str1,
                  data=df1['2020'],
                  columns=[df1.index,df1['2020']],
                  fill_color='PuRd',
                  key_on='feature.properties.CTP_KOR_NM',
                  legend_name = '충전소 수',
                  hightlight = True)
folium.Marker([37.566376216047416, 126.97793714752575],tooltip = ('<h4><b>서울특별시</h4></b><br>'
                                                                  '<b>580</b>(충전소 수)<br>'),
                                                                  icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.18161401251675, 129.0749009303332],tooltip = ('<h4><b>부산광역시</h4></b><br>'
                                                                  '<b>137</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.872724798317336, 128.60157820151056],tooltip = ('<h4><b>대구광역시</h4></b><br>'
                                                                  '<b>241</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([37.45717854625683, 126.70608712866449],tooltip = ('<h4><b>인천광역시</h4></b><br>'
                                                                  '<b>148</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.16154890940474, 126.85113223821762],tooltip = ('<h4><b>광주광역시</h4></b><br>'
                                                                  '<b>91</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([36.35183798303863, 127.38456097213506],tooltip = ('<h4><b>대전광역시</h4></b><br>'
                                                                  '<b>107</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.54108779541202, 129.311012377861],tooltip = ('<h4><b>울산광역시</h4></b><br>'
                                                                  '<b>48</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([36.48151087488188, 127.28824958043015],tooltip = ('<h4><b>세종특별자치시</h4></b><br>'
                                                                  '<b>63</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([37.27587380587975, 127.00952278547365],tooltip = ('<h4><b>경기도</h4></b><br>'
                                                                  '<b>737</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([37.88654869282715, 127.72994722988823],tooltip = ('<h4><b>강원도</h4></b><br>'
                                                                  '<b>174</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([36.66197506027618, 126.67255976505552],tooltip = ('<h4><b>충청남도</h4></b><br>'
                                                                  '<b>119</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([36.63718549459551, 127.49116190361212],tooltip = ('<h4><b>충청북도</h4></b><br>'
                                                                  '<b>173</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.821611454685836, 127.10838343999644],tooltip = ('<h4><b>전라북도</h4></b><br>'
                                                                  '<b>149</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([34.81769711766335, 126.46266646799148],tooltip = ('<h4><b>전라남도</h4></b><br>'
                                                                  '<b>186</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([36.57691547616853, 128.50568119550917],tooltip = ('<h4><b>경상북도</h4></b><br>'
                                                                  '<b>209</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([35.23997169488024, 128.69214026911433],tooltip = ('<h4><b>경상남도</h4></b><br>'
                                                                  '<b>265</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
folium.Marker([33.37116300534748, 126.53038014320936],tooltip = ('<h4><b>제주특별자치도</h4></b><br>'
                                                                  '<b>203</b>(충전소 수)<br>'),icon=folium.Icon(color='red')).add_to(map_cs)
map_cs

Make this Notebook Trusted to load map: File -> Trust Notebook

지역별 전기차 데이터와 충전소 취합

df.rename(columns={df.columns[0] : '지역'}, inplace= True)

df

	지역	수소	전기	하이브리드	소계
0	서울특별시	1671	23393	115280	140344
1	부산광역시	916	5355	38914	45185
2	대구광역시	66	12630	34936	47632
3	인천광역시	488	5366	58590	64444
4	광주광역시	701	3210	17459	21370
5	대전광역시	507	4469	17655	22631
6	울산광역시	1819	2274	14125	181218
7	세종특별자치시	42	1148	7716	8906
8	경기도	1578	20477	186711	208766
9	강원도	856	4078	17819	22753
10	충청남도	468	5489	23587	29544
11	충청북도	332	3883	18663	22878
12	전라북도	409	3323	19306	23038
13	전라남도	127	5223	23373	26723
14	경상북도	18	7051	27133	34202
15	경상남도	908	6308	37610	44826
16	제주특별자치도	0	21285	17584	38869

ddf = pd.merge(df, df1, on ='지역')

ddf['충전소당 전기차 할당량(대수)']=(ddf['전기']/ddf['2020'])
del ddf['수소']
del ddf['하이브리드']
del ddf['소계']
del ddf['2016']
del ddf['2017']
del ddf['2018']
del ddf['2019']
ddf.sort_values(by='충전소당 전기차 할당량(대수)', ascending=False).head(17)

	지역	전기	2020	충전소당 전기차 할당량(대수)
16	제주특별자치도	21285	203	104.852217
2	대구광역시	12630	241	52.406639
6	울산광역시	2274	48	47.375000
10	충청남도	5489	119	46.126050
5	대전광역시	4469	107	41.766355
0	서울특별시	23393	580	40.332759
1	부산광역시	5355	137	39.087591
3	인천광역시	5366	148	36.256757
4	광주광역시	3210	91	35.274725
14	경상북도	7051	209	33.736842
13	전라남도	5223	186	28.080645
8	경기도	20477	737	27.784261
15	경상남도	6308	265	23.803774
9	강원도	4078	174	23.436782
11	충청북도	3883	173	22.445087
12	전라북도	3323	149	22.302013
7	세종특별자치시	1148	63	18.222222

데이터 분석 결과

• 전기차의 비율을 아주 빠른 속도로 증가하고 있음
• 제주, 대구, 울산, 충남, 대전, 서울 은 충전소 1대가 커버해야할 전기차의 수가 굉장히 높음 (충전기 1대당 전기차 40대 이상)
• 위 지역을 우선으로 충전기 확대가 시급해 보임

---

전국 휴게소의 전기차 충전소 현황 분석 및 고속도로 주유소/휴게소 매출 규모와 충전기수의 상관성 분석

데이터 수집

1. 전국 전기차 충전소 현황(21/09/05)
(전기차 충전소 위치 및 운영정보(한국환경공단), http://www.keco.or.kr/kr/sub/public/ev/step01/index.do)
파일 : ChargingStation.xlsx

2. 2018년 전국 고속도로 휴게소내 주유소 매출 상위 50위
([휴게소워치 시즌3]⑤경부선 첫주유소 '부동의 매출1위', http://news.bizwatch.co.kr/article/policy/2019/09/09/0018)
파일 : GasStation_Sale.xlsx

3. 2018년 전국 휴게소 매출 상위 50위
([휴게소워치 시즌3]②덕평 매출1위 유지에 만족, http://news.bizwatch.co.kr/article/policy/2019/09/09/0014/naver)
파일 : RestPlace_Sales.xlsx

데이터 분석

1. 전국의 휴게소내에 설치된 전기차 충전소 및 충전기 현황

# 전국 전기차 충전소 현황(환경부, 21/09/05, http://www.keco.or.kr/kr/sub/public/ev/step01/index.do

ChargingStation_a=pd.read_excel('/Users/user/Downloads/ChargingStation.xlsx')

ChargingStation=ChargingStation_a.copy()
ChargingStation

	충전소명	충전기타입	충전기상태	주소
0	종묘 공영주차장	03(DC 차데모+AC 3상)	9(상태미확인)	서울특별시 종로구 종로 157
1	세종로 공영주차장	06(DC 차데모+AC 3상+DC 콤보)	9(상태미확인)	서울특별시 종로구 세종대로 189
2	그랜드앰배서더 서울	06(DC 차데모+AC 3상+DC 콤보)	9(상태미확인)	서울특별시 중구 동호로 287
3	한강진역 공영주차장	03(DC 차데모+AC 3상)	9(상태미확인)	서울특별시 용산구 한남동 산10-84
4	기아차 성동서비스센터	03(DC 차데모+AC 3상)	9(상태미확인)	서울특별시 성동구 성수이로26길 61
...	...	...	...	...
78553	영남알프스복합웰컴센터	04(DC 콤보)	9(상태미확인)	울산광역시 울주군 상북면 등억알프스리 517
78554	언양읍 행정복지센터	04(DC 콤보)	2(충전대기)	울산광역시 울주군 언양읍 동문길 7
78555	화봉공원 공영주차장	04(DC 콤보)	3(충전중)	울산광역시 북구 화봉동 445-1
78556	화봉공원 공영주차장	04(DC 콤보)	3(충전중)	울산광역시 북구 화봉동 445-1
78557	낙산해수욕장주차장	06(DC 차데모+AC 3상+DC 콤보)	9(상태미확인)	강원도 양양군 강현면 일출로 43

78558 rows × 4 columns

# 1열 '충전소명' : 문자열 중간 공백 제거 (같은 장소인데 공백으로 인해 다른 장소로 인식)
ChargingStation['충전소명'] = ChargingStation['충전소명'].str.split().agg("".join)

# 1열 '충전소명'에서 '휴게소'에 해당하는 행만 추출
ChargingStation_Rest=ChargingStation[ChargingStation['충전소명'].str.contains('휴게소')]

# 필요없는 열(충전기 상태) 삭제 및 열 이름 영어로 변경
ChargingStation_Rest.drop(columns='충전기상태', inplace=True)
ChargingStation_Rest.rename(columns = {'충전소명' : 'restplace_names', '충전기타입':'charger_types', '주소':'restplace_address'}, 
                      inplace = True)

ChargingStation_Rest

	restplace_names	charger_types	restplace_address
52	장안휴게소(울산방향)	06(DC 차데모+AC 3상+DC 콤보)	부산광역시 기장군 장안읍 동해고속도로 26
53	장안휴게소(부산방향)	06(DC 차데모+AC 3상+DC 콤보)	부산광역시 기장군 장안읍 명례리 835
111	의왕휴게소(서울방향)	06(DC 차데모+AC 3상+DC 콤보)	경기도 의왕시 오전로 24
112	의왕휴게소(의왕방향)	06(DC 차데모+AC 3상+DC 콤보)	경기도 의왕시 오전로 24
114	서하남휴게소(판교방향)	06(DC 차데모+AC 3상+DC 콤보)	경기도 하남시 서울외곽순환고속도로 19
...	...	...	...
76558	별내휴게소	06(DC 차데모+AC 3상+DC 콤보)	경기도 남양주시 별내면 구리포천고속도로 14
76559	CU화도휴게소점	06(DC 차데모+AC 3상+DC 콤보)	경기도 남양주시 화도읍 경춘로
78535	상개화물차휴게소	04(DC 콤보)	울산광역시 남구 상개동 50
78546	약수화물차휴게소	04(DC 콤보)	울산광역시 북구 신천동 797
78547	약수화물차휴게소	04(DC 콤보)	울산광역시 북구 신천동 797

670 rows × 3 columns

1) 전기차 충전이 가능한 전국의 휴게소 수와 충전기 대수

# 휴게소별 충전기 개수 카운트 
charger_per_restplace = ChargingStation_Rest.groupby(['restplace_names']).count() 
charger_per_restplace.head()

	charger_types	restplace_address
restplace_names
(청주방면)청송휴게소	1	1
38선휴게소	1	1
CU화도휴게소점	1	1
GS25신남휴게소점	1	1
HK하이웨이평택휴게소(상행)	4	4

# restplace_names를 index에서 1열로 변경
charger_per_restplace  = charger_per_restplace.rename_axis('restplace_names').reset_index()

# charger_types 열 이름 변경
charger_per_restplace.rename(columns = {'charger_types' : 'num_of_chargers'}, inplace = True)
# restplace_address삭제
charger_per_restplace.drop(columns='restplace_address', inplace=True)

charger_per_restplace
# 전기차 충전이 가능한 휴게소 290개

	restplace_names	num_of_chargers
0	(청주방면)청송휴게소	1
1	38선휴게소	1
2	CU화도휴게소점	1
3	GS25신남휴게소점	1
4	HK하이웨이평택휴게소(상행)	4
...	...	...
285	황간휴게소(서울방향)	2
286	황전휴게소(순천방향)	1
287	황전휴게소(전주방향)	1
288	횡성휴게소(강릉방향)	8
289	횡성휴게소(인천방향)	2

290 rows × 2 columns

charger_per_restplace['num_of_chargers'].sum()
# 전기차 충전이 가능한 휴게소에서 보유한 충전기 : 총 670대

670

round(charger_per_restplace['num_of_chargers'].mean(),2)
# 휴게소별 보유한 충전기 대수 평균 : 2.31

2.31

2) 충전 타입별 충전기 대수

# 충전기 타입별 충전기 개수
charger_per_type = ChargingStation_Rest.groupby(['charger_types']).count() 
charger_per_type

	restplace_names	restplace_address
charger_types
02(AC 완속)	15	15
03(DC 차데모+AC 3상)	1	1
04(DC 콤보)	195	194
05(DC 차데모+DC 콤보)	3	3
06(DC 차데모+AC 3상+DC 콤보)	456	456

# charger_types를 index에서 1열로 변경
charger_per_type = charger_per_type.rename_axis('charger_types').reset_index()

# restplace_names열 이름 변경
charger_per_type.rename(columns = {'restplace_names' : 'num_of_chargers'}, inplace = True)
# restplace_address삭제
charger_per_type.drop(columns='restplace_address', inplace=True)

charger_per_type

	charger_types	num_of_chargers
0	02(AC 완속)	15
1	03(DC 차데모+AC 3상)	1
2	04(DC 콤보)	195
3	05(DC 차데모+DC 콤보)	3
4	06(DC 차데모+AC 3상+DC 콤보)	456

'''
* 충전기 종류
 - AC단상 5핀 - 완속 
 - AC3상 7핀 - 급속/완속 (현재 급속으로만 사용됨, 참고: 저공해차 통합누리집(https://www.ev.or.kr/portal/chargerkind))
 - DC차데모 10핀 - 급속
 - DC콤보 7핀 - 급속 '''
# charger_types을 완속/급속으로 구분
charger_per_type.insert(1, 'types', ['완속', '급속', '급속', '급속', '급속'], True)

# charger_types에 따른 충전기 수를 %로 계산 후 새로운 열 추가 : num_of_chargers(%) 
charger_per_type['num_of_chargers(%)']=((charger_per_type['num_of_chargers']/sum(charger_per_type['num_of_chargers']))*100).round(1)

charger_per_type
# 휴게소에서 보유한 670대의 충전기 중 완속 충전기는 총 15대(약 2.2%)이며, 나머지는 모두 급속 충전기로 확인

	charger_types	types	num_of_chargers	num_of_chargers(%)
0	02(AC 완속)	완속	15	2.2
1	03(DC 차데모+AC 3상)	급속	1	0.1
2	04(DC 콤보)	급속	195	29.1
3	05(DC 차데모+DC 콤보)	급속	3	0.4
4	06(DC 차데모+AC 3상+DC 콤보)	급속	456	68.1

charger_per_type['num_of_chargers'].sum()

670

3) 휴게소별 충전기 보유 대수

# 충전기 개수별 휴게소 수 
restplace_per_charger = charger_per_restplace.groupby(['num_of_chargers']).count()

restplace_per_charger

	restplace_names
num_of_chargers
1	70
2	155
3	41
4	7
5	1
6	3
8	6
9	5
11	1
12	1

# num_of_chargers를 index에서 1열로 변경
restplace_per_charger= restplace_per_charger.rename_axis('num_of_chargers').reset_index()

# restplace_names열 이름 변경
restplace_per_charger.rename(columns = {'restplace_names' : 'num_of_restplaces'}, inplace = True)

# 충전소별 충전기 보유 대수 비율, 누적 비율 계산
restplace_per_charger['num_of_restplaces(%)']=(restplace_per_charger['num_of_restplaces']/sum(restplace_per_charger['num_of_restplaces']))*100
restplace_per_charger['cum_num_of_restplaces(%)']=restplace_per_charger['num_of_restplaces(%)'].cumsum()
restplace_per_charger['num_of_restplaces(%)']=round(restplace_per_charger['num_of_restplaces(%)'],1)
restplace_per_charger['cum_num_of_restplaces(%)']=round(restplace_per_charger['cum_num_of_restplaces(%)'], 1)

restplace_per_charger

	num_of_chargers	num_of_restplaces	num_of_restplaces(%)	cum_num_of_restplaces(%)
0	1	70	24.1	24.1
1	2	155	53.4	77.6
2	3	41	14.1	91.7
3	4	7	2.4	94.1
4	5	1	0.3	94.5
5	6	3	1.0	95.5
6	8	6	2.1	97.6
7	9	5	1.7	99.3
8	11	1	0.3	99.7
9	12	1	0.3	100.0

restplace_per_charger['num_of_restplaces'].sum()
# 충전소가 설치된 휴게소 총 290개

290

fig = plt.figure(figsize=(7, 7)) 
ax = fig.add_subplot() 
pie = ax.pie(restplace_per_charger['num_of_restplaces'], 
       startangle=90, 
       counterclock=False)
       #labels=charger_station_count['num_of_chargers'],  
       #explode=[0, 0, 0, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])
    
total = np.sum(restplace_per_charger['num_of_restplaces']) 
threshold = 5
sum_pct = 0 
count_less_5pct = 0 
spacing = 0.1
for i,l in enumerate(restplace_per_charger['num_of_chargers']):
    ang1, ang2 = ax.patches[i].theta1, ax.patches[i].theta2 
    center, r = ax.patches[i].center, ax.patches[i].r 
    
    if restplace_per_charger['num_of_restplaces'][i]/total*100 < threshold:
        x = (r/3+spacing*count_less_5pct)*np.cos(np.pi/180*((ang1+ang2)/2)) + center[0]
        y = (r/3+spacing*count_less_5pct)*np.sin(np.pi/180*((ang1+ang2)/2)) + center[1] 
        count_less_5pct += 1
    else:
        x = (r/3)*np.cos(np.pi/180*((ang1+ang2)/2)) + center[0] 
        y = (r/3)*np.sin(np.pi/180*((ang1+ang2)/2)) + center[1] 
    
    if i < len(restplace_per_charger['num_of_chargers']) - 1:
        sum_pct += float('{0:.1f}'.format(restplace_per_charger['num_of_restplaces'][i]/total*100))
        ax.text(x,y,'{0:.1f}%'.format(restplace_per_charger['num_of_restplaces'][i]/total*100), ha='center',va='center',fontsize=12)
    else: 
        ax.text(x,y,f'{100-sum_pct:.1f}%',ha='center',va='center',fontsize=11)
        
ax.set_title('휴게소별 충전기 보유 대수', fontsize=20, loc='center')
plt.legend(pie[0],restplace_per_charger['num_of_chargers'], loc='right', bbox_to_anchor=(1.1, 0.5), fontsize=12) 
plt.show()

2. 고속도로 주유소, 휴게소 매출과 해당 휴게소에 설치된 충전기 대수 비교

1) 고속도로 휴게소내 주유소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교

# 고속도로 휴게소 주유소 매출 상위 50(2018년) (참고 : http://news.bizwatch.co.kr/article/policy/2019/09/09/0018)
GasStation_Sales50=pd.read_excel('/Users/user/Downloads/GasStation_Sales.xlsx')

# 한글 열 이름 영어로 변경
GasStation_Sales50.rename(columns = {'순위' : 'ranking', '주유소':'restplace_names', '2018년 매출(단위:억원)':'sales_amount'}, inplace = True)
# 필요없는 열(노선, 증감률) 삭제
GasStation_Sales50.drop(columns='노선', inplace=True)
GasStation_Sales50.drop(columns='증감률(전년대비(%))', inplace=True)

GasStation_Sales50.head()

	ranking	restplace_names	sales_amount
0	1	서울만남휴게소(부산방향)	703.18
1	2	기흥휴게소(부산방향)	619.18
2	3	망향휴게소(부산방향)	560.77
3	4	안성휴게소(서울방향)	542.51
4	5	하남만남휴게소(통영방향)	536.33

# 주유소 매출과 해당 휴게소에서 보유중인 충전기 대수 자료 병합
charger_per_GSsales=pd.merge(GasStation_Sales50, charger_per_restplace, how='left')
charger_per_GSsales
# 주유소 매출 상위 50위에 포함되나 전기차 충전소가 없는 휴게소 : 여산휴게소(천안방향), 시흥휴게소(외측방향), 함안휴게소(순천방향)

	ranking	restplace_names	sales_amount	num_of_chargers
0	1	서울만남휴게소(부산방향)	703.18	2.0
1	2	기흥휴게소(부산방향)	619.18	2.0
2	3	망향휴게소(부산방향)	560.77	2.0
3	4	안성휴게소(서울방향)	542.51	8.0
4	5	하남만남휴게소(통영방향)	536.33	1.0
5	6	죽전휴게소(서울방향)	503.17	6.0
6	7	안성휴게소(부산방향)	463.60	9.0
7	8	칠곡휴게소(서울방향)	340.61	3.0
8	9	문경휴게소(양평방향)	335.50	9.0
9	10	용인휴게소(강릉방향)	319.63	2.0
10	11	서하남휴게소(판교방향)	317.70	1.0
11	12	천안휴게소(부산방향)	310.61	2.0
12	13	백양사휴게소(논산방향)	300.89	2.0
13	14	천안휴게소(서울방향)	296.82	3.0
14	15	화성휴게소(시흥방향)	294.13	2.0
15	16	군산휴게소(시흥방향)	278.10	2.0
16	17	화성휴게소(목포방향)	277.47	8.0
17	18	충주휴게소(마산방향)	269.47	2.0
18	19	화서휴게소(상주방향)	265.50	2.0
19	20	죽암휴게소(부산방향)	265.31	2.0
20	21	여산휴게소(천안방향)	260.53	NaN
21	22	입장휴게소(서울방향)	259.31	3.0
22	23	진영휴게소(순천방향)	257.50	5.0
23	24	문경휴게소(마산방향)	254.99	2.0
24	25	음성휴게소(통영방향)	245.15	9.0
25	26	칠곡휴게소(부산방향)	241.40	11.0
26	27	여주휴게소(강릉방향)	239.67	2.0
27	28	음성휴게소(하남방향)	239.27	3.0
28	29	여산휴게소(순천방향)	237.98	1.0
29	30	남성주휴게소(양평방향)	237.57	2.0
30	31	속리산휴게소(청원방향)	220.43	2.0
31	32	죽암휴게소(서울방향)	219.55	3.0
32	33	안성맞춤휴게소(평택방향)	218.19	2.0
33	34	안성맞춤휴게소(제천방향)	216.39	1.0
34	35	여주휴게소(인천방향)	209.38	1.0
35	36	영천휴게소(대구방향)	208.44	1.0
36	37	용인휴게소(서창방향)	205.60	2.0
37	38	칠서휴게소(양평방향)	202.29	2.0
38	39	옥산휴게소(부산방향)	202.15	2.0
39	40	시흥휴게소(외측방향)	201.71	NaN
40	41	오수휴게소(전주방향)	200.30	2.0
41	42	선산휴게소(양평방향)	194.47	1.0
42	43	횡성휴게소(인천방향)	191.84	2.0
43	44	신탄진휴게소(서울방향)	184.38	2.0
44	45	괴산휴게소(마산방향)	183.72	2.0
45	46	충주휴게소(양평방향)	180.90	3.0
46	47	선산휴게소(마산방향)	180.58	2.0
47	48	공주휴게소(당진방향)	179.55	2.0
48	49	함안휴게소(순천방향)	179.16	NaN
49	50	언양휴게소(서울방향)	176.92	2.0

# 충전소가 없는 휴게소의 충전기 대수를 NaN에서 0으로 변경
charger_per_GSsales.fillna(0, inplace=True)
# num_of_chargers열을 실수형에서 정수형 자료로 변경
charger_per_GSsales['num_of_chargers']=charger_per_GSsales['num_of_chargers'].astype(int)

# 매출 상위 50위에 포함된 주유소 매출액의 평균
round(charger_per_GSsales['sales_amount'].mean(),2)

284.6

# 매출 상위 50위에 포함된 주유소가 있는 휴게소에 설치된 충전기 대수의 평균은 2.84개
# 전기차 충전소가 있는 휴게소의 평균 충전기 보유 대수 2.31대 보다 많음 
charger_per_GSsales['num_of_chargers'].mean()

2.84

# 휴게소 주유소 매출액과 보유한 충전기 대수의 상관계수
np.corrcoef(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'])

array([[1.        , 0.23172303],
       [0.23172303, 1.        ]])

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_GSsales['sales_amount'].min(), charger_per_GSsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 주유소의 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('주유소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)

ax.scatter(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], c='red', s=50)
ax.plot(xs, ys, color='pink', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

texts = []
for i, txt in enumerate( list(charger_per_GSsales['ranking']) ):
    texts.append(ax.text(list(charger_per_GSsales['sales_amount'])[i], list(charger_per_GSsales['num_of_chargers'])[i], txt))
adjust_text(texts)

plt.grid()
plt.show()

[0.00473715 1.49182564]

# 매출 상위 50위 이내의 주유소가 있는 휴게소에 설치된 평균 충전기 대수는 2.84개
# 전기차 충전이 가능한 휴게소의 평균 충전기 보유 대수 2.31대 보다 많음 
charger_per_GSsales['num_of_chargers'].mean()

2.84

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_GSsales['sales_amount'].min(), charger_per_GSsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 주유소의 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('주유소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)
ax.scatter(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], c='red', s=50)
ax.plot(xs, ys, color='pink', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

ax.annotate(charger_per_GSsales['restplace_names'][0], (charger_per_GSsales['sales_amount'][0]-10,charger_per_GSsales['num_of_chargers'][0]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][1], (charger_per_GSsales['sales_amount'][1]-50,charger_per_GSsales['num_of_chargers'][1]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][2], (charger_per_GSsales['sales_amount'][2]-60,charger_per_GSsales['num_of_chargers'][2]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][3], (charger_per_GSsales['sales_amount'][3]-40,charger_per_GSsales['num_of_chargers'][3]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][4], (charger_per_GSsales['sales_amount'][4]-40,charger_per_GSsales['num_of_chargers'][4]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][5], (charger_per_GSsales['sales_amount'][5]-40,charger_per_GSsales['num_of_chargers'][5]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][6], (charger_per_GSsales['sales_amount'][6]-40,charger_per_GSsales['num_of_chargers'][6]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][8], (charger_per_GSsales['sales_amount'][8]-50,charger_per_GSsales['num_of_chargers'][8]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][16], (charger_per_GSsales['sales_amount'][16]-50,charger_per_GSsales['num_of_chargers'][16]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][20], (charger_per_GSsales['sales_amount'][20]+10,charger_per_GSsales['num_of_chargers'][20]-0.1), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][22], (charger_per_GSsales['sales_amount'][22]-40,charger_per_GSsales['num_of_chargers'][22]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][24], (charger_per_GSsales['sales_amount'][24]-70,charger_per_GSsales['num_of_chargers'][24]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][25], (charger_per_GSsales['sales_amount'][25]-40,charger_per_GSsales['num_of_chargers'][25]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][39], (charger_per_GSsales['sales_amount'][39]-20,charger_per_GSsales['num_of_chargers'][39]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][48], (charger_per_GSsales['sales_amount'][48]-20,charger_per_GSsales['num_of_chargers'][39]+0.2), fontsize=11)

plt.grid()
plt.show()

[0.00473715 1.49182564]

2) 휴게소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교

# 고속도로 휴게소 매출 상위 50 (2018년) (http://news.bizwatch.co.kr/article/policy/2019/09/09/0014/naver)
RestPlace_Sales50=pd.read_excel('/Users/user/Downloads/RestPlace_Sales.xlsx')

# 한글 열 이름 영어로 변경
RestPlace_Sales50.rename(columns = {'순위' : 'ranking', '주유소':'restplace_names', '2018년 매출(단위:억원)':'sales_amount'}, inplace = True)

RestPlace_Sales50.head()

	ranking	restplace_names	sales_amount
0	1	덕평휴게소	500.70
1	2	행담도휴게소	340.17
2	3	시흥하늘휴게소	277.12
3	4	안성휴게소(부산방향)	271.87
4	5	천안휴게소(서울방향)	209.69

# 고속도로 휴게소 매출과 보유중인 충전기 대수 자료 병합
charger_per_RPsales= pd.merge(RestPlace_Sales50, charger_per_restplace, how='left')

# 양방향 진입 가능한 고속도로 휴게소 충전기 대수 수동 계산해서 입력 (시흥하늘 휴게소 제외)
charger_per_RPsales['num_of_chargers'][0]=4 # 강릉방향 3, 인천방향 1
charger_per_RPsales['num_of_chargers'][1]=2 # 목포방향 1, 서울방향 1
charger_per_RPsales['num_of_chargers'][8]=2 # 롯데마트마장휴게소(통영방향) 1, 마장복합휴게소 1
charger_per_RPsales['num_of_chargers'][11]=11 # 서울방향 8, 양양방향 3
charger_per_RPsales['num_of_chargers'][40]=10 # 부산방향 1, 경남김해진영휴게소(급속) 9

charger_per_RPsales
# 휴게소 매출 상위 50위에 포함되나 전기차 충전소가 없는 휴게소 :  시흥하늘휴게소, 함안휴게소(순천방향), 여산휴게소(천안방향)

	ranking	restplace_names	sales_amount	num_of_chargers
0	1	덕평휴게소	500.70	4.0
1	2	행담도휴게소	340.17	2.0
2	3	시흥하늘휴게소	277.12	NaN
3	4	안성휴게소(부산방향)	271.87	9.0
4	5	천안휴게소(서울방향)	209.69	3.0
5	6	망향휴게소(부산방향)	192.46	2.0
6	7	안성휴게소(서울방향)	188.42	8.0
7	8	여주휴게소(강릉방향)	185.59	2.0
8	9	마장휴게소	178.24	2.0
9	10	칠곡휴게소(서울방향)	171.48	3.0
10	11	기흥휴게소(부산방향)	170.37	2.0
11	12	내린천휴게소	169.19	11.0
12	13	죽전휴게소(서울방향)	151.32	6.0
13	14	화성휴게소(목포방향)	151.13	8.0
14	15	화성휴게소(시흥방향)	148.39	2.0
15	16	금강휴게소(부산방향)	142.37	3.0
16	17	용인휴게소(강릉방향)	142.20	2.0
17	18	죽암휴게소(부산방향)	140.47	2.0
18	19	횡성휴게소(강릉방향)	139.73	8.0
19	20	진영휴게소(순천방향)	135.48	5.0
20	21	서산휴게소(목포방향)	133.71	2.0
21	22	칠곡휴게소(부산방향)	132.88	11.0
22	23	천안휴게소(부산방향)	132.78	2.0
23	24	하남만남휴게소(통영방향)	125.65	1.0
24	25	선산휴게소(양평방향)	124.18	1.0
25	26	입장휴게소(서울방향)	122.13	3.0
26	27	함안휴게소(순천방향)	117.74	NaN
27	28	충주휴게소(마산방향)	116.63	2.0
28	29	여산휴게소(천안방향)	115.74	NaN
29	30	여주휴게소(서창방향)	113.53	1.0
30	31	선산휴게소(마산방향)	112.37	2.0
31	32	군산휴게소(서울방향)	110.86	6.0
32	33	신탄진휴게소(서울방향)	109.73	2.0
33	34	인삼랜드휴게소(통영방향)	109.24	2.0
34	35	화서휴게소(상주방향)	108.76	2.0
35	36	여산휴게소(순천방향)	106.87	1.0
36	37	문경휴게소(마산방향)	105.93	2.0
37	38	횡성휴게소(인천방향)	101.82	2.0
38	39	서울만남휴게소(부산방향)	95.86	2.0
39	40	문경휴게소(양평방향)	95.74	9.0
40	41	진영휴게소(부산방향)	92.59	10.0
41	42	섬진강휴게소(부산방향)	91.28	2.0
42	43	음성휴게소(통영방향)	90.83	9.0
43	44	이천휴게소(하남방향)	89.35	2.0
44	45	죽암휴게소(서울방향)	86.45	3.0
45	46	함안휴게소(부산방향)	86.19	8.0
46	47	문막휴게소(강릉방향)	85.60	2.0
47	48	언양휴게소(서울방향)	84.91	2.0
48	49	인삼랜드휴게소(하남방향)	84.90	2.0
49	50	오창휴게소(하남방향)	84.27	3.0

# 충전소 미설치 휴게소의 충전기 대수를 NaN에서 0으로 변경
charger_per_RPsales.fillna(0, inplace=True)
# num_of_chargers열을 실수형에서 정수형 자료로 변경
charger_per_RPsales['num_of_chargers']=charger_per_RPsales['num_of_chargers'].astype(int)

# 매출액 상위 50개 휴게소 매출액의 평균
round(charger_per_RPsales['sales_amount'].mean(), 1)

143.5

# 매출액 상위 50위 휴게소의 평균 충전기 대수는 3.6대
# 전기차 충전소가 있는 휴게소의 평균 충전기 보유 대수 2.31대 보다 많음 
round(charger_per_RPsales['num_of_chargers'].mean(), 1)

3.6

# 고속도로 휴게소 매출액과 충전기 대수의 상관계수
np.corrcoef(charger_per_RPsales['sales_amount'], charger_per_GSsales['num_of_chargers'])

array([[1.        , 0.15361208],
       [0.15361208, 1.        ]])

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_RPsales['sales_amount'].min(), charger_per_RPsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('휴게소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)
ax.scatter(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], c='blue', s=50)
ax.plot(xs, ys, color='skyblue', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

texts = []
for i, txt in enumerate( list(charger_per_RPsales['ranking']) ):
    texts.append(ax.text(list(charger_per_RPsales['sales_amount'])[i], list(charger_per_RPsales['num_of_chargers'])[i], txt))
adjust_text(texts)

plt.grid()
plt.show()

[1.36849533e-03 3.40362338e+00]

# 매출액 상위 50위 휴게소의 평균 충전기 대수는 3.6대
# 전기차 충전소가 있는 휴게소의 평균 충전기 보유 대수 2.31대 보다 많음 
round(charger_per_RPsales['num_of_chargers'].mean(), 1)

3.6

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_RPsales['sales_amount'].min(), charger_per_RPsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('휴게소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)
ax.scatter(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], c='blue', s=50)
ax.plot(xs, ys, color='skyblue', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

ax.annotate(charger_per_RPsales['restplace_names'][0], (charger_per_RPsales['sales_amount'][0]-20,charger_per_RPsales['num_of_chargers'][0]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][1], (charger_per_RPsales['sales_amount'][1]-30,charger_per_RPsales['num_of_chargers'][1]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][2], (charger_per_RPsales['sales_amount'][2]-40,charger_per_RPsales['num_of_chargers'][2]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][3], (charger_per_RPsales['sales_amount'][3]+5,charger_per_RPsales['num_of_chargers'][3]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][4], (charger_per_RPsales['sales_amount'][4]-20,charger_per_RPsales['num_of_chargers'][4]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][6], (charger_per_RPsales['sales_amount'][6]+5,charger_per_RPsales['num_of_chargers'][6]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][11], (charger_per_RPsales['sales_amount'][11]+5,charger_per_RPsales['num_of_chargers'][11]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][12], (charger_per_RPsales['sales_amount'][12]-20,charger_per_RPsales['num_of_chargers'][12]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][13], (charger_per_RPsales['sales_amount'][13]-5,charger_per_RPsales['num_of_chargers'][13]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][18], (charger_per_RPsales['sales_amount'][18]-15,charger_per_RPsales['num_of_chargers'][18]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][19], (charger_per_RPsales['sales_amount'][19]-40,charger_per_RPsales['num_of_chargers'][19]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][21], (charger_per_RPsales['sales_amount'][21]-40,charger_per_RPsales['num_of_chargers'][21]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][26], (charger_per_RPsales['sales_amount'][26]-5,charger_per_RPsales['num_of_chargers'][26]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][28], (charger_per_RPsales['sales_amount'][28]-20,charger_per_RPsales['num_of_chargers'][28]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][31], (charger_per_RPsales['sales_amount'][31]-45,charger_per_RPsales['num_of_chargers'][31]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][39], (charger_per_RPsales['sales_amount'][39]+5,charger_per_RPsales['num_of_chargers'][39]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][40], (charger_per_RPsales['sales_amount'][40]+5,charger_per_RPsales['num_of_chargers'][40]-0.1), fontsize=11)
ax.annotate('음성휴게소\n(통영방향)', (charger_per_RPsales['sales_amount'][42]-20,charger_per_RPsales['num_of_chargers'][42]-0.8), fontsize=11)
ax.annotate('함안휴게소\n(부산방향)', (charger_per_RPsales['sales_amount'][45]-20,charger_per_RPsales['num_of_chargers'][45]-0.8), fontsize=11)
plt.grid()
plt.show()

[1.36849533e-03 3.40362338e+00]

데이터 분석결과 및 시각화

1. 전국의 휴게소내에 설치된 전기차 충전소 및 충전기 현황

1) 전기차 충전이 가능한 전국의 휴게소 수와 충전기 대수

• 전국의 290개의 휴게소에서 전기차 중전이 가능하며, 총 670대의 충전기 보유
• 휴게소별 평균 2.31대의 충전기 보유 (충전기 미설치 휴게소는 포함되지 않음)

harger_per_restplace_total=np.array([[len(charger_per_restplace['restplace_names']), charger_per_restplace['num_of_chargers'].sum()], 
                            ['', round(charger_per_restplace['num_of_chargers'].mean(),2)]])
index_data=['합계', '평균']
column_data=['휴게소', '충전기 수']
pd.DataFrame(harger_per_restplace_total, index=index_data, columns=column_data)

	휴게소	충전기 수
합계	290	670
평균		2.31

2) 충전 타입별 충전기 대수

• 휴게소에서 보유한 670대의 충전기 중 완속 충전기는 총 15대로 약 2.2%에 해당하며, 나머지 97.8%는 모두 급속 충전기로 확인

charger_per_type

	charger_types	types	num_of_chargers	num_of_chargers(%)
0	02(AC 완속)	완속	15	2.2
1	03(DC 차데모+AC 3상)	급속	1	0.1
2	04(DC 콤보)	급속	195	29.1
3	05(DC 차데모+DC 콤보)	급속	3	0.4
4	06(DC 차데모+AC 3상+DC 콤보)	급속	456	68.1

3) 휴게소별 충전기 보유 대수

• 충전기 2대를 보유중인 휴게소가 155개소로 가장 많으며, 전체의 53.4%를 차지
• 1대만 설치되어 있는 휴게소도 70개소로 24.1%를 차지하며, 대부분의 휴게소(91.6%)에서 3대 이하를 보유중으로 확인

restplace_per_charger

	num_of_chargers	num_of_restplaces	num_of_restplaces(%)	cum_num_of_restplaces(%)
0	1	70	24.1	24.1
1	2	155	53.4	77.6
2	3	41	14.1	91.7
3	4	7	2.4	94.1
4	5	1	0.3	94.5
5	6	3	1.0	95.5
6	8	6	2.1	97.6
7	9	5	1.7	99.3
8	11	1	0.3	99.7
9	12	1	0.3	100.0

fig = plt.figure(figsize=(7, 7)) 
ax = fig.add_subplot() 
pie = ax.pie(restplace_per_charger['num_of_restplaces'], 
       startangle=90, 
       counterclock=False)
       #labels=charger_station_count['num_of_chargers'],  
       #explode=[0, 0, 0, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1])
    
total = np.sum(restplace_per_charger['num_of_restplaces']) 
threshold = 5
sum_pct = 0 
count_less_5pct = 0 
spacing = 0.1
for i,l in enumerate(restplace_per_charger['num_of_chargers']):
    ang1, ang2 = ax.patches[i].theta1, ax.patches[i].theta2 
    center, r = ax.patches[i].center, ax.patches[i].r 
    
    if restplace_per_charger['num_of_restplaces'][i]/total*100 < threshold:
        x = (r/3+spacing*count_less_5pct)*np.cos(np.pi/180*((ang1+ang2)/2)) + center[0]
        y = (r/3+spacing*count_less_5pct)*np.sin(np.pi/180*((ang1+ang2)/2)) + center[1] 
        count_less_5pct += 1
    else:
        x = (r/3)*np.cos(np.pi/180*((ang1+ang2)/2)) + center[0] 
        y = (r/3)*np.sin(np.pi/180*((ang1+ang2)/2)) + center[1] 
    
    if i < len(restplace_per_charger['num_of_chargers']) - 1:
        sum_pct += float('{0:.1f}'.format(restplace_per_charger['num_of_restplaces'][i]/total*100))
        ax.text(x,y,'{0:.1f}%'.format(restplace_per_charger['num_of_restplaces'][i]/total*100), ha='center',va='center',fontsize=12)
    else: 
        ax.text(x,y,f'{100-sum_pct:.1f}%',ha='center',va='center',fontsize=11)
        
ax.set_title('휴게소별 충전기 보유 대수', fontsize=20, loc='center')
plt.legend(pie[0],restplace_per_charger['num_of_chargers'], loc='right', bbox_to_anchor=(1.1, 0.5), fontsize=12) 
plt.show()

2. 고속도로 주유소, 휴게소 매출과 해당 휴게소에 설치된 충전기 대수 비교

1) 고속도로 휴게소내 주유소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교

• 매출 상위 50위 이내의 주유소가 있는 휴게소에 설치된 평균 충전기 대수
  평균 2.84대 설치되어 있으며, 전기차 충전소가 있는 휴게소의 평균 2.31대보다 많음
  

• 주유소 매출이 상위 50위 이내에 포함되나 전기차 충전소가 없는 휴게소
  여산휴게소(천안방향), 시흥휴게소(외측방향), 함안휴게소(순천방향)
  

• 주유소 매출액 대비 충전기 대수가 적은 휴게소 (매출액 상위 1~3, 5위)
  
  • 서울만남휴게소(부산방향), 기흥휴게소(부산방향), 망향휴게소(부산방향), 하남만남휴게소(통영방향)
    
  • 모두 환경부에서 운영하는 충전소 1곳만 있음
    

• 주유소 매출액 대비 충전기 대수가 적은 휴게소 (매출액 상위 1~3, 5위)
  
  • 서울만남휴게소(부산방향), 기흥휴게소(부산방향), 망향휴게소(부산방향), 하남만남휴게소(통영방향)
    
  • 모두 환경부에서 운영하는 충전소 1곳
    

• 주유소 매출액 대비 충전기 대수가 비교적 많은 휴게소
  

  • 환경부, 한국전력, 현대자동차 등이 운영하는 충전소가 모두 2곳 이상 설치되어 있으며, 대부분 3개의 충전소가 설치된 상태
    

  • 참고: 고속도로 휴게소내 현대자동차 충전소 현황 (12곳에 각각 6대씩 초급속 충전기 설치)
    
    

    • 안성휴게소(서울방향) : 현대자동차, 환경부(2곳)
    • 죽전휴게소(서울방향) : 환경부(2곳)
    • 안성휴게소(부산방향) : 현대자동차, 환경부(2곳)
    • 문경휴게소(양평방향) : 현대자동차, 환경부(2곳)
    • 화성휴게소(목표방향) : 현대자동차, 환경부(2곳)
    • 진영휴게소(순천방향) : 환경부(2곳)
    • 음성휴게소(통영방향) : 현대자동차, 환경부, 한국전력
    • 칠곡휴게소(부산방향) : 현대자동차, 환경부(2곳)

charger_per_GSsales['num_of_chargers'].mean()

2.84

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_GSsales['sales_amount'].min(), charger_per_GSsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 주유소의 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('주유소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)
ax.scatter(charger_per_GSsales['sales_amount'], charger_per_GSsales['num_of_chargers'], c='red', s=50)
ax.plot(xs, ys, color='pink', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

ax.annotate(charger_per_GSsales['restplace_names'][0], (charger_per_GSsales['sales_amount'][0]-10,charger_per_GSsales['num_of_chargers'][0]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][1], (charger_per_GSsales['sales_amount'][1]-50,charger_per_GSsales['num_of_chargers'][1]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][2], (charger_per_GSsales['sales_amount'][2]-60,charger_per_GSsales['num_of_chargers'][2]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][3], (charger_per_GSsales['sales_amount'][3]-40,charger_per_GSsales['num_of_chargers'][3]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][4], (charger_per_GSsales['sales_amount'][4]-40,charger_per_GSsales['num_of_chargers'][4]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][5], (charger_per_GSsales['sales_amount'][5]-40,charger_per_GSsales['num_of_chargers'][5]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][6], (charger_per_GSsales['sales_amount'][6]-40,charger_per_GSsales['num_of_chargers'][6]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][8], (charger_per_GSsales['sales_amount'][8]-50,charger_per_GSsales['num_of_chargers'][8]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][16], (charger_per_GSsales['sales_amount'][16]-50,charger_per_GSsales['num_of_chargers'][16]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][20], (charger_per_GSsales['sales_amount'][20]+10,charger_per_GSsales['num_of_chargers'][20]-0.1), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][22], (charger_per_GSsales['sales_amount'][22]-40,charger_per_GSsales['num_of_chargers'][22]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][24], (charger_per_GSsales['sales_amount'][24]-70,charger_per_GSsales['num_of_chargers'][24]+0.2), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][25], (charger_per_GSsales['sales_amount'][25]-40,charger_per_GSsales['num_of_chargers'][25]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][39], (charger_per_GSsales['sales_amount'][39]-20,charger_per_GSsales['num_of_chargers'][39]-0.4), fontsize=11)
ax.annotate(charger_per_GSsales['restplace_names'][48], (charger_per_GSsales['sales_amount'][48]-20,charger_per_GSsales['num_of_chargers'][39]+0.2), fontsize=11)

plt.grid()
plt.show()

[0.00473715 1.49182564]

2) 고속도로 휴게소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교

• 매출액 상위 50위 이내의 휴게소에 설치된 평균 충전기 대수
  평균 3.6대가 설치되어 있으며, 전기차 충전소가 있는 휴게소의 평균 2.31대보다 많음
  

• 휴게소 매출이 상위 50위 이내 포함되나 전기차 충전소가 없는 휴게소
  시흥하늘휴게소, 함안휴게소(순천방향), 여산휴게소(천안방향)
  

• 휴게소 매출액 대비 충전기 대수가 적은 휴게소 (매출액 상위 1~2위)
  덕평휴게소, 행담도휴게소
  

• 휴게소 매출액 대비 충전기 대수가 비교적 많은 휴게소
  

  • 환경부, 한국전력, 현대자동차 등이 운영하는 충전소가 모두 2곳 이상 설치되어 있으며, 대부분 3개의 충전소가 설치된 상태
    

  • 참고: 고속도로 휴게소내 현대자동차 충전소 현황 (12곳에 각각 6대씩 초급속 충전기 설치)
    
    

    • 안성휴게소(부산방향) : 현대자동차, 환경부(2곳)
    • 안성휴게소(서울방향) : 현대자동차, 환경부(2곳)
    • 내린천휴게소 : 현대자동차, 환경부(2곳)
    • 죽전휴게소(서울방향) : 환경부(2곳)
    • 화성휴게소(목표방향) : 현대자동차, 환경부(2곳)
    • 횡성휴게소(강릉방향) : 현대자동차, 환경부(2곳)
    • 진영휴게소(순천방향) : 환경부(2곳)
    • 칠곡휴게소(부산방향) : 현대자동차, 환경부(2곳)
    • 군산휴게소(서울방향) : 현대자동차, 군산휴게소(시흥방향) 환경부 운영 충전소 2곳 포함하면 총 8대
    • 문경휴게소(양평방향) : 현대자동차, 환경부(2곳)
    • 진영휴게소(부산방향) : 환경부(1대), 에버온(경남진해진영휴게소(급속) 9대)
    • 음성휴게소(통영방향) : 대영채비, 환경부, 한국전력
    • 함안휴게소(부산방향) : 현대자동차, 환경부(2곳)

round(charger_per_RPsales['num_of_chargers'].mean(), 1)

3.6

# b0, b1 구하기
poly_fit=np.polyfit(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], 1)
# b0 + b1x를 반환하는 함수 작성
poly_1d=np.poly1d(poly_fit)
# 직선을 그리기 위한 x좌료를 생성
xs=np.linspace(charger_per_RPsales['sales_amount'].min(), charger_per_RPsales['sales_amount'].max())
# x좌표에 대응하는 y좌표 구하기
ys=poly_1d(xs)
print(poly_fit)

fig=plt.figure(figsize=(8,8))
ax=fig.add_subplot(111)
ax.set_xlabel('고속도로 휴게소 매출액(억원)', fontsize=13)
ax.set_ylabel('충전기 대수', fontsize=13)
ax.set_title('휴게소 매출액(상위 50위)과 전기차 충전기 보유 대수 비교', fontsize=20)
ax.scatter(charger_per_RPsales['sales_amount'], charger_per_RPsales['num_of_chargers'], c='blue', s=50)
ax.plot(xs, ys, color='skyblue', label=f'{poly_fit[1]:.5f}+{poly_fit[0]:.5f}x', ls='dashed', lw=3)
ax.legend(loc='upper right', fontsize=13)

ax.annotate(charger_per_RPsales['restplace_names'][0], (charger_per_RPsales['sales_amount'][0]-20,charger_per_RPsales['num_of_chargers'][0]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][1], (charger_per_RPsales['sales_amount'][1]-30,charger_per_RPsales['num_of_chargers'][1]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][2], (charger_per_RPsales['sales_amount'][2]-40,charger_per_RPsales['num_of_chargers'][2]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][3], (charger_per_RPsales['sales_amount'][3]+5,charger_per_RPsales['num_of_chargers'][3]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][4], (charger_per_RPsales['sales_amount'][4]-20,charger_per_RPsales['num_of_chargers'][4]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][6], (charger_per_RPsales['sales_amount'][6]+5,charger_per_RPsales['num_of_chargers'][6]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][11], (charger_per_RPsales['sales_amount'][11]+5,charger_per_RPsales['num_of_chargers'][11]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][12], (charger_per_RPsales['sales_amount'][12]-20,charger_per_RPsales['num_of_chargers'][12]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][13], (charger_per_RPsales['sales_amount'][13]-5,charger_per_RPsales['num_of_chargers'][13]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][18], (charger_per_RPsales['sales_amount'][18]-15,charger_per_RPsales['num_of_chargers'][18]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][19], (charger_per_RPsales['sales_amount'][19]-40,charger_per_RPsales['num_of_chargers'][19]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][21], (charger_per_RPsales['sales_amount'][21]-40,charger_per_RPsales['num_of_chargers'][21]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][26], (charger_per_RPsales['sales_amount'][26]-5,charger_per_RPsales['num_of_chargers'][26]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][28], (charger_per_RPsales['sales_amount'][28]-20,charger_per_RPsales['num_of_chargers'][28]+0.2), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][31], (charger_per_RPsales['sales_amount'][31]-45,charger_per_RPsales['num_of_chargers'][31]-0.4), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][39], (charger_per_RPsales['sales_amount'][39]+5,charger_per_RPsales['num_of_chargers'][39]-0.1), fontsize=11)
ax.annotate(charger_per_RPsales['restplace_names'][40], (charger_per_RPsales['sales_amount'][40]+5,charger_per_RPsales['num_of_chargers'][40]-0.1), fontsize=11)
ax.annotate('음성휴게소\n(통영방향)', (charger_per_RPsales['sales_amount'][42]-20,charger_per_RPsales['num_of_chargers'][42]-0.8), fontsize=11)
ax.annotate('함안휴게소\n(부산방향)', (charger_per_RPsales['sales_amount'][45]-20,charger_per_RPsales['num_of_chargers'][45]-0.8), fontsize=11)
plt.grid()
plt.show()

[1.36849533e-03 3.40362338e+00]

참고: 고속도로 휴게소내 현대자동차 충전소 현황

• 이제는 고속도로에서도 전기차 초급속 충전하세요 (국토교통부 보도자료, 21/04/14)
  http://m.molit.go.kr/viewer/skin/doc.html?fn=c2675607dc988b60edf570d83971f777&rs=/viewer/result/20210413 *한국도로공사와 (주)현대자동차 간 협약을 통해 고속도로 휴게소 12곳에 각각 6기씩 전기차 초급속 충전기 72기 설치 (현대차의 전기차 전용 플랫폼 'EGMP'에 최적화되어 아이오닉5 등 E-GMP기반의 차종은 18분 내에 80% 충전, 기존 전기차도 'DC콤보 타입1'을 사용하면 충전가능)

super_fast_charger = {'휴게소명(방향)' : ['안성휴게소(부산방향)', '안성휴게소(서울방향)', '칠곡휴게소(부산방향)', '음성휴게소(통영방향)', '횡성휴게소(강릉방향)', '화성휴게소(목표방향)', '군산휴게소(서울방향)', '함안휴게소(부산방향)', '함안휴게소(부산방향)', '문산휴게소(순천방향)', '문경휴게소(양평방향)', '내린천휴게소(서울방향)', '함평나비(무안방향)']}

pd.DataFrame(super_fast_charger)

	휴게소명(방향)
0	안성휴게소(부산방향)
1	안성휴게소(서울방향)
2	칠곡휴게소(부산방향)
3	음성휴게소(통영방향)
4	횡성휴게소(강릉방향)
5	화성휴게소(목표방향)
6	군산휴게소(서울방향)
7	함안휴게소(부산방향)
8	함안휴게소(부산방향)
9	문산휴게소(순천방향)
10	문경휴게소(양평방향)
11	내린천휴게소(서울방향)
12	함평나비(무안방향)

---

전기차와 내연기관차의 경제적 분석 (차량 모델별 구매금액, 보조금, 유지비용 등)

데이터 수집

• 모델별 가격: 네이버에서 제공되는 출고가 가격 직접 추출
• 보조금: 저공해차 통합누리집(공공사이트)에서 추출(서울기준)
• 취등록세: 자동차365(공공사이트)에서 취등록세 계산기를 이용하여 직접추출
• 충전요금: 저공해차 통합누리집(공공사이트)에서 제공되는 2021년 기준 전기요금 및 휘발유값
• 주행거리: 공공데이터 포털에서 제공하는 서울시 년간 차량 평균 주행거리 csv파일

데이터 분석

1) 전기차 및 내연기관차 모델별 가격비교

# 모델선정 및 가격은 같은모델의 전기 및 내연기관 모델, 동급의 브랜드, 차종, 옵션을 고려하여 선정
kind_car = pd.read_excel('/Users/user/Downloads/excel/일대일비교.xlsx')
pd.DataFrame(kind_car) # 전기차 및 내연기관 경제성 각 지표 테이블

	모델명	가격(만원)	50000KM 충전요금	보조금	취등록세	5년간 총 유지비
0	bmw i3	6000	220.05	873	280.00	5627.05
1	르노 SM3 ZE	3700	273.85	902	119.00	3190.85
2	기아 레이EV	3500	246.45	0	105.00	3851.45
3	현대 니로EV	4690	232.50	1000	188.30	4110.80
4	기아 쏘울EV	4400	220.05	950	168.00	3838.05
5	현대 아이오닉EV	4300	195.60	991	161.00	3665.60
6	현대 코나ev	4790	220.45	800	195.30	4405.75
7	테슬라 모델3	6000	220.45	950	280.00	5550.45
8	테슬라 모델y	7500	241.60	575	385.00	7551.60
9	쉐보레 볼트ev	3990	228.20	960	139.30	3397.50
10	미니 해치백s	4350	616.65	0	304.50	5271.15
11	르노 sm3	1635	549.60	0	114.45	2299.05
12	기아 레이	1480	583.45	0	9.20	2072.65
13	현대 니로	2750	336.30	0	192.50	3278.80
14	기아 소울	2155	611.70	0	150.85	2917.55
15	현대 아반떼CN7	1692	541.80	0	118.44	2352.24
16	현대 코나	2400	557.70	0	168.00	3125.70
17	벤츠 A클래스	3940	637.40	0	275.80	4853.20
18	bmw x1	5270	774.00	0	368.90	6412.90
19	쉐보레 스파크	1000	505.65	0	0.00	1505.65

ddff = pd.DataFrame(kind_car)
ddff1 = ddff.set_index('모델명')
ddff1
price1 = ddff1.loc[:, ['가격(만원)']] 
price1
price_1 = price1.sort_values(by = '가격(만원)', ascending = False) # 모델별 가격 내림차순
price_1

	가격(만원)
모델명
테슬라 모델y	7500
bmw i3	6000
테슬라 모델3	6000
bmw x1	5270
현대 코나ev	4790
현대 니로EV	4690
기아 쏘울EV	4400
미니 해치백s	4350
현대 아이오닉EV	4300
쉐보레 볼트ev	3990
벤츠 A클래스	3940
르노 SM3 ZE	3700
기아 레이EV	3500
현대 니로	2750
현대 코나	2400
기아 소울	2155
현대 아반떼CN7	1692
르노 sm3	1635
기아 레이	1480
쉐보레 스파크	1000

# 동급의 전기차와 내연기관차의 출고가를 각각 1대1 비교하기위해 동력으로 구분하여 막대그래프를 시각화
price_car = pd.read_excel('/Users/user/Downloads/excel/가격비교.xlsx')
price_car

	모델명	가격(만원)	동력
0	i3 해치백s	6000	전기
1	i3 해치백s	4350	내연기관
2	sm3ZE sm3	3700	전기
3	sm3ZE sm3	1635	내연기관
4	레이EV 레이	3500	전기
5	레이EV 레이	1480	내연기관
6	니로EV 니로	4690	전기
7	니로EV 니로	2750	내연기관
8	소울EV 소울	4400	전기
9	소울EV 소울	2155	내연기관
10	아이오닉EV 아반떼CN7	4300	전기
11	아이오닉EV 아반떼CN7	1692	내연기관
12	코나EV 코나	4790	전기
13	코나EV 코나	2400	내연기관
14	모델3 A클래스	6000	전기
15	모델3 A클래스	3940	내연기관
16	모델Y X1	7500	전기
17	모델Y X1	5270	내연기관
18	볼트EV 스파크	3990	전기
19	볼트EV 스파크	1000	내연기관

2) 충전요금 비교

# 동급의 전기차와 내연기관차의 출고가를 각각 1대1 비교하기위해 동력으로 구분하여 막대그래프를 시각화
# 서울시 기준 평균 주행거리는 년간 평균 10982.84K로 편의상 100000KM를 기준으로 년간 충전요금계산 하여 1대1비교 분석
charge_car = pd.read_excel('/Users/user/Downloads/excel/10000KM.xlsx')
charge_car

# 전기차 배터리 교체주기인 5년을 기준으로 충전요금 계산
# 5년 이용시 충전요금 10000KM 요금의 5배로 계산
charge1_car = pd.read_excel('/Users/user/Downloads/excel/50000KM.xlsx')
charge1_car

	모델명	50000KM 충전요금(만원)	동력
0	i3 해치백s	220.05	전기
1	i3 해치백s	616.65	내연기관
2	sm3ZE sm3	273.85	전기
3	sm3ZE sm3	549.60	내연기관
4	레이EV 레이	246.45	전기
5	레이EV 레이	583.45	내연기관
6	니로EV 니로	232.50	전기
7	니로EV 니로	336.30	내연기관
8	소울EV 소울	220.05	전기
9	소울EV 소울	611.70	내연기관
10	아이오닉EV 아반떼CN7	195.60	전기
11	아이오닉EV 아반떼CN7	541.80	내연기관
12	코나EV 코나	220.45	전기
13	코나EV 코나	557.70	내연기관
14	모델3 A클래스	220.45	전기
15	모델3 A클래스	637.40	내연기관
16	모델Y X1	241.60	전기
17	모델Y X1	774.00	내연기관
18	볼트EV 스파크	228.20	전기
19	볼트EV 스파크	505.65	내연기관

3) 취등록세

ddff1
subsidy = ddff.loc[:, ['모델명','취등록세']] #모델별 취등록세 비교
subsidy1 = subsidy
subsidy1
subsidy2 = subsidy1.sort_values(by = '취등록세', ascending = False)
subsidy2

	모델명	취등록세
8	테슬라 모델y	385.00
18	bmw x1	368.90
10	미니 해치백s	304.50
7	테슬라 모델3	280.00
0	bmw i3	280.00
17	벤츠 A클래스	275.80
6	현대 코나ev	195.30
13	현대 니로	192.50
3	현대 니로EV	188.30
4	기아 쏘울EV	168.00
16	현대 코나	168.00
5	현대 아이오닉EV	161.00
14	기아 소울	150.85
9	쉐보레 볼트ev	139.30
1	르노 SM3 ZE	119.00
15	현대 아반떼CN7	118.44
11	르노 sm3	114.45
2	기아 레이EV	105.00
12	기아 레이	9.20
19	쉐보레 스파크	0.00

4)최종 경제성 비교

fn_price = pd.read_excel('/Users/user/Downloads/excel/일대일비교 총합.xlsx')
fn_price

fn_price1 = fn_price.loc[:, ['모델명', '5년간 총 비용', '동력']]
fn_price1

	모델명	5년간 총 비용	동력
0	i3 해치백s	5627.05	전기
1	i3 해치백s	5271.15	내연기관
2	sm3ZE sm3	3190.85	전기
3	sm3ZE sm3	2299.05	내연기관
4	레이EV 레이	3851.45	전기
5	레이EV 레이	2072.65	내연기관
6	니로EV 니로	4110.80	전기
7	니로EV 니로	3278.80	내연기관
8	소울EV 소울	3838.05	전기
9	소울EV 소울	2917.55	내연기관
10	아이오닉EV 아반떼CN7	3665.60	전기
11	아이오닉EV 아반떼CN7	2352.24	내연기관
12	코나EV 코나	4405.75	전기
13	코나EV 코나	3125.70	내연기관
14	모델3 A클래스	5550.45	전기
15	모델3 A클래스	4853.20	내연기관
16	모델Y X1	7551.60	전기
17	모델Y X1	6412.90	내연기관
18	볼트EV 스파크	3397.50	전기
19	볼트EV 스파크	1505.65	내연기관

데이터 시각화

plt.figure(figsize = (20,10))
bar = price_1.plot.bar(grid = True)
bar.set_xlabel('모델명')
bar.set_ylabel('가격(만원)')
bar.set_title('차종별 출고가')

plt.show()

<Figure size 1440x720 with 0 Axes>

• 모델별 출고가 비교
• 모델선정 및 가격은 같은모델의 전기 및 내연기관 모델, 동급의 브랜드, 차종, 옵션을 고려하여 선정

1)모델별 가격 비교

plt.figure(figsize = (16,8))
sns.barplot( x = '모델명',y = '가격(만원)', hue = '동력', data = price_car) # barplot메서드의 hue값을 동력으로 설정하여 비교분석
plt.title('모델별 가격 비교')
plt.show()

• 출고가는 값비싼 부품비 및 기술적 한계로 인해 분석한 10대의 전기차가 각각의 동급의 내연기관차 보다 모두 높게 측정됨(서울 기준)
• 보조금은 매년 줄어드는 추세로 차이는 더욱 벌어질 것으로 예상
• 높은 초기비용 발생으로 소비자들의 전기차 구매에 대한 부담은 증가할 것으로 보임
• 정부 및 지방자치단체의 보조금 예산 확대로 소비자들의 부담을 줄여 전기차 소비를 촉진 하는 방안이 필요

2) 1년 평균 충전요금 비교

plt.figure(figsize=(16,8))
sns.barplot(x= '모델명', y = '10000KM 충전요금(만원)', hue =  '동력', data = charge_car)
plt.title('10000KM 기준 충전요금 ')
plt.show()

• 서울시 년간 평균 주행거리는 10982.84KM로 이와 비슷한 10000KM를 기준으로 전기차와 내연기관차의 충전요금 비교
• 전기차는 급속충전 및 완속충전 비율을 5:5 비율로 계산
• 2021년 기준 급속충전값 = 292.9원/kWh, 완속충전값 = 200원/kWh
• 휘발유값은 지난 1년간 중간값인 1517원/L 으로 계산

3) 5년 평균 충전요금 비교

plt.figure(figsize = (16,8))
sns.barplot(x='모델명', y = '50000KM 충전요금(만원)', hue = '동력', data = charge1_car)
plt.title('50000KM 기준 충전요금')
plt.show()

• 전기차 배터리 교체 주기인 약 5년을 기준으로 5년간 유지비 비교

• 서울시 년간 평균 주행거리를 기준으로 50000KM를 기준으로 잡아 충전요금 비교

• 전기차는 급속충전 및 완속충전 비율을 5:5 비율로 계산

• 2021년 기준 급속충전값 = 292.9원/kWh, 완속충전값 = 200원/kWh
• 휘발유값은 지난 1년간 중간값인 1517원/L 으로 계산

4) 차량별 취등록세 비교

plt.figure(figsize = (25,8))
sns.barplot(x='모델명', y='취등록세', data = subsidy2 )
plt.title('취등록세 비교')

plt.show()

• 2021년 기준 전기차 취등록세: 출고가의 7% - 140만원
• 2021년 기준 내연기관차 취등록세: 경차 출고가의 4%(1000cc미만 면제), 승용차 출고가의 7%
• 전기차가 140만원의 세액공제를 받아도 높은 출고가격 때문에 전기차의 취등록세가 내연기관차 보다 대체로 높음
• 전기차에 대한 초기 비용을 줄이기 위해서 취등록세에 대한 공제 한도를 더욱 높일 필요가 있음

5) 전기차 보조금 비교

plt.figure(figsize = (25,8))
sns.barplot(x='모델명', y='보조금', data = kind_car )
plt.title('전기차 보조금')

plt.show()

6) 5년 기준 경제성 비교

plt.figure(figsize = (16,8))
sns.barplot(x='모델명', y = '5년간 총 비용', hue = '동력', data = fn_price1)
plt.title('5년 기준 모델별 경제성 비교')

plt.show()

• 전기차 배터리 교체 주기인 5년을 기준으로 동급의 전기차와 내연기관차 중 무엇이 경제적인지 비교
• 5년간 최종 비용 = 초기투자비용(출고가 - 보조금 + 취등록세) + 5년간 평균 충전요금
• 이 외에 가장 큰 고려요소로 자동차세, 보험료 등이 있지만, 자동차세는 내연기관이, 보험료는 높은 부품비로 전기차가 20% 비싸 두 금액은 서로 비슷하기에 상쇄 하여 분석
• 5년을 기준으로 잡았을 때 10쌍의 비교군 모두 전기차가 더 높은 비용이 지출되는 것으로 도출

---

Youtube 전기자동차전기세 검색 단어 분석 및 한전 시간대별/계절별 충전 부하량, 시도별 보조금 접수율 분석

데이터 수집

• Youtube 전기자동차전기세 검색 단어 분석 : youtube 데이터 크롤링
  구글 프로젝트 신청, API key 발급 및 Google API 클라이언트 라이브러리 설치 (pip install --upgrade google-api-python-client oauth2client)
  크롤링 한 자료를 txt 파일로 저장하여 활용

• 한전 시간대별/계절별 충전 부하량 : 공공데이터포털 | dataset
  한국전력공사에서 운영중인 EV충전소 시간대별 충전부하 정보
  월별, 시간대별, 급속/완속 별 충전부하량 .csv 파일 제공
  

• 시도별 보조금 접수율 분석 : 저공해차 통합 누리집 | dataset
  저공해차 통합 누리집 2021년 전기승용, 지자체별 보조금 지급현황 .csv 파일 제공
  

◎ Youtube 전기자동차전기세 검색 단어 분석

# DEVELOPER_KEY = "google에서 발급받은 개인 api key 입력"
# YOUTUBE_API_SERVICE_NAME = "youtube"
# YOUTUBE_API_VERSION = "v3"

# youtube = build(YOUTUBE_API_SERVICE_NAME, YOUTUBE_API_VERSION, developerKey=DEVELOPER_KEY)

# search_response = youtube.search().list(q="전기자동차전기세",part="snippet",maxResults=1000).execute()

# 위 코드로 'title : keyword', 'description : description' 으로 txt 파일에 저장 후 불러와서 활용

# title 내용 가져오기 

with open("/Users/user/Downloads/EV_keywords_youtube0908.txt", "r", encoding="utf-8") as f:
    lines = f.readlines()
    for line in lines:
        print(line)
        
keyword = ''
for line in lines:
    keyword += line

니로 전기차 1년 충전요금 계산해봤습니다

테슬라, 코나EV 전기차, 전기료 인상으로 가솔린보다 비싸? 아니오!...정의선부회장과 이재용부회장 손잡은 까닭은?

"전기차 다시는 안 삽니다" 모델3 차주가 밝히는 장단점[차주 인터뷰]

[발품경제] 불 나고, 혜택 줄고…'전기차 사도 될까요?' / JTBC 뉴스룸

전기차 충전료 또 인상, 날벼락! 기름값보다 비싸?...이제 무턱대고 아이오닉, EV6, 테슬라 사면 낭패! 저렴한 '집밥'을 먼저 구해야!

전기차 많아지면 전기값 오를까?

이럴거면 왜 전기차 샀지..넘 올라 완충하면 2만원 넘네 [카가이]

전기차 충전요금 1.5배 인상? 테슬라 완충에 얼마? 앞으로 더 오른다!  전기차 구매 예정이신분들 꼭 시청하시길...(꿍이TV)

지하주차장에 220V코드 있던데 이걸로 전기차 충전 어떻게 해요??

친환경 보조금 깎이고 충전료 올라가는데..전기차 왜 사?

테슬라(전기차)를 구매 전 이건 꼭 생각해보세요! 전기자동차 충전과 전기요금에 관한 이야기 feat. 이동형 충전기, 완속 충전기

[명장명답] 하이브리드? 전기차? 모두를 놀라게 한 상상도 못한 선택 ※솔직함주의※

전기차 한달 충전요금은? 과연 얼마나 절약되는가?

전기차 충전요금 인상 후 발견된 문제

전기차충전기설치 전기차충전기 설치비용, 충전시간, 한전불입금, 전기요금, 폐차보조금 포터일렉트릭

가솔린 디젤 하이브리드 전기차 월 유지비 비교 계산 [돌빙TV]

전기자동차가 달린다! [다큐S프라임] / YTN 사이언스

전기차 시대 활짝, 이 많은 전기 어떻게 감당하나?

전기차 판매가 급증하니 충전요금을 올리나? 프로전기차박러가 느낀 충전요금 인상의 현실

드디어 집밥!!│집밥가격리뷰│테슬라 슈퍼차저 유료화가 무섭지 않네요. [울트라TV]

벽걸이 에어컨 한 달 내내 틀면 얼마 나올까? 누진제, 전기요금, 전기세 쉽게 계산하는 방법!

전기차! 저렴하게 탈 수 있는 시절 끝난 건가요? 충전요금 줄일 수 있는 팁 알려드려요~

[마켓줌인] 설움 털어낸 ‘한국전력’ 국민주로 부활? / 머니투데이방송 (증시, 증권)

포터 전기차 1회 충전시간과 충전비용은 과연 어떻게 될까?

"7월부터 전기요금·전기차 충전료 할인 축소"

7월부터 전기요금 할인 축소…전기차 충전요금 상승 / 연합뉴스TV (YonhapnewsTV)

전기차 전기요금, 하이브리드차 , 내연기관차 유지비 비교/포스트 아이오닉5 시대를 기대하며

전기자동차가 작동하는 방식은?

한국전력, 전기차가 늘어나면 주가도 상승할까 등,  1편에서 놓친 4가지 이야기 시작합니다.

"내 눈에 띄지 마" 몰래 먹튀 전기 충전하던 2억 원 무개념 차주 등장하자 빡쳐서 달라온 주민들 응징법, "보는 순간 분노가, 심하게 도 넘은 행동 도저히 못 참겠습니다"

전력, 전력량과 전기 요금 계산

전기차로 전기요금 줄인다…에너지 스마트홈 ‘성큼’

한전에서 날아온 '21억 전기료 폭탄'ㅣMBC충북NEWS

전기차로 한번에 700km를 주행! 과연 충전요금 얼마?

전기요금 흉악범들 찾아내서 돈 아끼는 영상

캠핑카 전기는 충분? 5가지 충전 방법

한전 사장 "할인 더 못 해"…'전기차'까지 타격? (2019.10.30/뉴스데스크/MBC)

전기차 구매하기 전에는 많이들 모르더라고요.. 국내 전기차 충전기의 소름 돋는 현실! (with.스타코프)

가정의 전기요금을 반으로 줄이는 방법은? / YTN 사이언스

초고속 전기차 충전소 출격! 아이오닉5에 밥 줘봤습니다 🍚 (E-pit, 이핏, 급속충전)

[경제] 전기차 충전 시간 180배 줄인 한국 일반 주유보다 18배 더 빠르다! '대한민국은 역시 모든 게 빨라' 세계가 한국의 속도에 혀를 내둘렀다!

이 힘든시국에 돈 아껴드릴게요 꼭 보세요 한전 계약전력의 방식과 오해

모르면 800만원 손해? 2021년 전기차 정책과 보조금 한눈에

호주의 예상치 못한 강력한 반격에 중국 전기차 전부가 폐차될 위기인 상황, 중국의 심각한 전력난 실태 공개되자 한국에게 전기차 시장 뺏긴 상화

집에서 220v비상용충전기로 전기자동차 쉽게 충전하기 차지콘스타코프! 가정용전기요금측정기

코나EV 가정용 충전기 설치 및 충전방법

전기세, 전기요금 계산법, 와트, 와트시, 일률의 개념, 계약전력 계산방법

모든 전기차 필수템 충전기! 220V 만 있으면 충분함! 가성비 최강! 모델S 시간당 20km 충전, 모델3 시간당 23km 충전 가능! 현대차 완속충전기보다 50프로 빠르네요.

포터 일렉트릭 / 포터2 전기차 사고 싶으세요? 그럼 꼭 보세요!

테슬라 모델3, 220V 콘센트로만 충전합니다. 가능한가요?

# description 내용 가져오기

with open("/Users/user/Downloads/EV_description_youtube0908.txt", "r", encoding="utf-8") as f:
    lines = f.readlines()
    for line in lines:
        print(line)

description = ''
for line in lines:
    description += line

전기차 구매를 고려하시는 분들이라면 도대체 전기 충전요금이 얼마나 나올까? 많이 궁금하실겁니다. 충전환경에 따라 충전 요금이 많이 달라지는데요, 저의 경우는 ...

테슬라, 코나EV 전기차 끝? 가솔린 차보다 운영 비싸졌다?...정의선부회장과 이재용부회장 손잡은 까닭은? --- 구독해주세요 : https://bit.ly/2NCioiE 김한용 ...

테슬라 모델3를 100일 만에 매각하는 한 차주의 속사연을 들어봤습니다 #모델3 #전기차충전 #테슬라 #전기차.

불도 나고 충전요금 할인도 줄었다는데 전기차를 사도 될까. 이런 소비자의 질문에 발로 뛰는 발품경제, 이주찬 기자가 나섰습니다. 값은 얼마나 하는지, 유지비는 어느 ...

E-PIT 의 요금은 어마어마 하죠. 전기차 충전료 전체가 또 인상 되는 날벼락이 떨어졌습니다. ..."이제 기름값 따라잡네!" 대책은? 저렴한 '집밥' 찾아라! (Feat.스타코프) ...

요즘 전기차가 정말 많아졌죠, 그래서 정부에서는 이런 상황에 맞춰 다양한 전기차 정책 변화를 보이고 있습니다. 그렇다면, 전기차가 점점 많아진다면, 전기 충전비용 ...

신차 및 중고차 구매, 수리, 차량 결함 상담하세요☆ 카가이 카카오톡 1:1 채팅 : https://pf.kakao.com/_xbBwbxl 안녕하세요 카가이 구독자 여러분! 지난 7월 1일 ...

전기차 충전요금 1.5배 인상? 테슬라 완충에 얼마? 앞으로 더 오른다! 전기차 구매 예정이신분들 꼭 시청하시길...(꿍이TV) 전기차 충전 요금이 1kw에 173원에서 255 ...

모르고 충전하면 정말로 경찰서 가실수도 있습니다. 지하주차장의 220V를 합법적으로 사용하는 방법! 바로 파워큐브 or 이볼트가 답입니다! #파워큐브 #이볼트 ...

신차 및 중고차 구매, 수리, 차량 결함 상담하세요☆ 카가이 카카오톡 1:1 채팅 : https://pf.kakao.com/_xbBwbxl 올해들어 친환경차 보조금이 완전히 새로워졌습니다.

제가 직접 테슬라 모델 Y를 한달 가량 타면서 느낀 현실적인 이야기를 아주 두서없이 담아냈습니다;; 정리가 안되는데... 제 생각이 잘 전달되어 우리 브로들의 선택에 ...

자동차 관련 질문들은 댓글로 남겨주세요 ※ Ep. 39 명장명답 30탄 드디어 등장한 그 질문...! 구독자님들의 선택은요? 자동차 명장, 본색을 드러내다 [박병일의 명장 ...

한달간 주행거리와 충전요금 환산해봤어요 구독! 좋아요! ! 눌러주세요 #전기차#충전요금#벤츠전기차#벤츠EQC.

전기차충전요금 #전기차충전 #전기차요금 안녕하세요^^ 2020년 7월 1일부로 전기차 충전특례할인이 1단계 폐지되면서 충전요금이 일제히 상승되었습니다. 하지만 ...

전기차충전기설치 전기차충전기 설치비용, 충전시간, 한전불입금, 전기요금 폐차보조금포터일렉트릭 곧 포터 전기차가 출고됩니다. 그 전에 전기차충전기를 농장에 ...

숨만 쉬어도 나가는 자동차 유지비! 가솔린 디젤 하이브리드 전기 각각의 한달 유지비를 계산하고 비교해보았습니다. 비교군은 지극히 개인적인 기준으로 삼았습니다 ...

자동차 2300만대 시대. 우리나라는 현재 국민 2.5명당 자동차를 한 대씩 보유하고 있습니다. 선진국보다 높게 나타난 이러한 수치는 자동차가 현대인의 기호품목으로 ...

전기차시대에 엄청나게 많이 필요한 전기 어떻게 감당하나??? 전기차 단톡방에 들어 오세요 : https://open.kakao.com/o/gyw94qMb 서테타 카페 ...

문의 feellinga@naver.com #할인 #전기차 #충전요금 유튜브 방도날드⚡️채팅방 (code 1379) https://open.kakao.com/o/gmvOFMtd 테슬라 구매는 여기서!! 리퍼럴 ...

안녕하십니까! 울트라비니군입니다. http://ts.la/kyungbin32296 드디어 집밥으로 첫 충전을 했습니다. 몇시간에 몇kWh의 용량을 얼마에 충전을 했는지 가볍게 리뷰 ...

벽걸이 에어컨을 구입 한 지 한 달이 다 되었습니다. 구입 한 날 부터 지금까지 눈만 뜨면 에어컨을 켜고 작업실에서 일을 하고 있는데요. 매일 전력 소모량을 측정하여 ...

전기차 #충전 #유지비 안녕하세요 여러분~ 2021년 7월 12일! 이번 주부터 전기차 충전 요금 할인 혜택이 줄고 동시에 급속충전기 요금도 인상됐다는 사실 알고 ...

12/23 이슈&뷰 11 진행 : 김영롱 머니투데이방송 앵커 출연 : 박주근 CE0스코어 대표 Q. 한국전력 기업 개요는? Q. 주가 물꼬 튼 전기요금 개편안… 내용은? Q. 발전 ...

안녕하세요 우파TV입니다 오늘 준비한 영상은 바로! 대한민국에서 가장 많이 팔리는 차! 바로 포터를 가지고 왔습니다! 팩트 리뷰, 주행 거리에 이어서 오늘은 드디어 ...

다음 달부터 전력 사용량이 적은 경우에 적용하던 할인과 전기차 충전 할인이 절반 가량 줄어 들면서 일부 소비자들의 전기요금이 오릅니다. 오는 21일 결정을 앞둔 3 ...

7월부터 전기요금 할인 축소…전기차 충전요금 상승 7월부터는 전력 사용량이 기존과 똑같아도 요금을 더 많이 낼 것으로 보입니다. 산업통상자원부와 한국전력에 ...

곧 오게 될 문화,승차감 대혁명,럭셔리 전기차들이 출시 된다면...

전기자동차가 자동차 업계에 큰 파장을 일으키고 있습니다. 소음과 공해가 없고, 고성능인 이 차량들은 2025년까지 그 상대인 내연기관 자동차를 구식으로 전락시킬 ...

한국전력 1편 입니다. https://www.youtube.com/watch?v=2SobHJXj80A =============================================== 한국전력 1편에서 놓쳤던 ...

"신고하면 처벌 가능하다고?", "전 오늘부터 바로 신고합니다"... 아파트에서 간혹 보이는 얌체 충전족을 한 번에 응징할 수 있는 방법! 오늘 오토포스트 이슈플러스는 ...

전체 목록 http://www.top-science.co.kr/n_web/smart_science.php 탑사이언스 과학 학원(대구 수성구) http://www.topsa.co.kr #탑사이언스 #중등과학 #전력_전력량 ...

앵커 멘트 전체 에너지의 96%를 수입해다 쓰고 있는 게 우리나라의 현실인데요. 각종 절전기능이 접목된 주거 환경을 조성하면, 에너지 자립률을 상당히 높일 수 ...

[앵커] 꼬박꼬박 내오던 전기요금이 그동안 잘못 부과됐다며 무려 21억 원을 더 내라면 어떠시겠습니까? 기업체도 아닌 농민에게 이런 일이 실제로 벌어졌습니다.

테슬라로 장거리 700km 운행했는데 무제한 슈퍼차저를 포기하고 공용급속 충전 및 완속충전만을 이용해보았습니다!

스마트 플러그 리뷰하려다 궁금증이 도져서 집에 있는 전자제품들의 전기 소모량을 하나 하나 측정해 보았습니다. 다시는 이런 짓 하지 말아야지... 영상 봐주시고 구독 ...

제주공항에서 가장 가깝게 만날 수 있는 레이 캠핑카 렌트 (춘춘카) ▷예약 안내 : https://c11.kr/jiyy ▷충전기 구매 좌표 : https://c11.kr/9h5a ▷춘춘클럽(멤버십) 가입 ...

한국전력 사장이 전기차 충전 요금을 비롯해서 각종 전기요금 할인 제도를 폐지해야 한다고 말했습니다.

안녕하세요 우파 TV입니다. 오늘 준비한 영상은 바로! 전기차 충전에 대한 모든 것입니다. 최근 전기차 인기가 대단한데 충전 때문에 고민이셨던 분들은 이 영상을 ...

간단한 설정을 통해 1년 만에 전기사용량을 반으로 줄일 수 있다? 가정에서 쓰는 가전제품의 설정을 통해 전기료를 절약할 수 있는 방법을 알아본다. [YTN 사이언스 ...

전기차충전소 #전기차충전기 #아이오닉5 새로운 전기차 충전소 E-pit이 생겨서 다녀왔어요. 전기차 시대는 점점 발라지지만 전기차 충전소 인프라는 여전히 부족한 ...

지갑에서 카드 꺼내기도 전에 전기차 충전 끝마칠 저세상 기술! 미국도 일본도 독일도 아닌 한국에서 처음으로 등장한 충격적 소식을 알아보자! 광고 및 비지니스 문의 ...

계약전력 #자영업 #전기요금 전실장 없이 편집자가 알려드리는 계약전력에 관련된 내용입니다 다소 어려울 수 있으니 이해가 안갔다면 맘껏 댓글 달아주세요 (다시 ...

전기차 #보조금 #구매가이드 2021년은 작년에 비해 보조금이 줄었지만, 그래도 지원금 꼬박꼬박 잘 챙기면 최대 800만원 지원받고 전기차를 구매할 수 있다? 자동차 ...

최근 베이징 거리에서는 녹색 번호판을 단 전기차가 거리로 쏟아져 나오면서 흔하게 볼 수 있는 풍경이 됐습니다. 불과 얼마 전까지만 해도 부자들의 '세컨드 카' ...

전기자동차를 구입을 할려고 망설이시는분 전기자동차를 구입했는대 충전때문에 스트레스 받으시는분 전기자동차 충전요금 #스타코프차지콘 #전기차이동식충전기 ...

전원주택에 전기차 충전기 설치하는 모습과 코나EV 전기차 전기 충전하는 방법을 보여드리려고 합니다 ✓▶️왕초보도 쉽게 배우는 유튜브 개인교습 문의 및 신청 ...

전기요금 계산방법 및 전기사용을 제한하는 계약전력의 모든것을 정리하였습니다. 와트/와트시/계약전력 계산법/전기요금 계산방법 등 요정도는 상식으로 알아 ...

제 추천 코드를 사용하여 Tesla 신차 구매 시 서비스 및 액세서리 구매에 사용할 수 있는 ₩110000 크레딧을 받을 수 있습니다. http://ts.la/hyunjun5295 판테톡방- ...

우리 나라 자동차 판매의 늘 1,2위를 기록하는 베스트셀러 포터2가 포터 일렉트릭으로 탄생했습니다. 포터 2 전기차는 하이브리드가 아닌 순수 전기차인만큼 전기차 ...

안녕하세요, 튜닝초보입니다. 테슬라 모델3를 220V 콘센트로만 충전하여 월평균 5000km 주행 가능하다는 것을 설명드리고 싶었습니다. - 도전(도둑전기) 예방하여 ...

# konopy 라이브러리를 이용하여 "단어" 단위로 쪼개어줌


okt = konlpy.tag.Okt()
noun_keyword = okt.nouns(keyword)
noun_description = okt.nouns(description)

# keyword와 description 내용을 합치고, 가장 많이 나온 단어를 세어줌

noun_total = noun_keyword + noun_description
count = Counter(noun_total)
most_total = count.most_common(10000)
print(most_total)

[('전기차', 79), ('충전', 61), ('요금', 26), ('전기요금', 19), ('충전기', 15), ('전기', 14), ('테슬라', 13), ('구매', 12), ('수', 12), ('방법', 11), ('전력', 11), ('포터', 10), ('할인', 10), ('자동차', 10), ('계산', 8), ('인상', 8), ('전기자동차', 8), ('및', 8), ('료', 7), ('모델', 7), ('를', 7), ('시간', 7), ('한국전력', 7), ('얼마', 6), ('더', 6), ('보조금', 6), ('전', 6), ('달', 6), ('설치', 6), ('계약', 6), ('집밥', 5), ('꼭', 5), ('하이브리드', 5), ('유지비', 5), ('시대', 5), ('이', 5), ('영상', 5), ('바로', 5), ('오늘', 5), ('코', 4), ('가솔린', 4), ('부회장', 4), ('차주', 4), ('배', 4), ('명장', 4), ('못', 4), ('비용', 4), ('렉', 4), ('트릭', 4), ('비교', 4), ('사이언스', 4), ('하나', 4), ('현실', 4), ('리뷰', 4), ('제', 4), ('상승', 4), ('주행', 4), ('가정', 4), ('소', 4), ('한국', 4), ('용', 4), ('분', 4), ('사용', 4), ('거리', 4), ('용량', 4), ('구입', 4), ('것', 4), ('경제', 3), ('불', 3), ('요', 3), ('아이오', 3), ('닉', 3), ('완충', 3), ('이야기', 3), ('선택', 3), ('과연', 3), ('얼마나', 3), ('폐차', 3), ('에어컨', 3), ('축소', 3), ('편', 3), ('가지', 3), ('등장', 3), ('에너지', 3), ('한전', 3), ('스타코', 3), ('프', 3), ('급속', 3), ('모든', 3), ('구독', 3), ('질문', 3), ('전체', 3), ('신차', 3), ('차량', 3), ('채팅', 3), ('그', 3), ('문의', 3), ('앵커', 3), ('정의선', 2), ('이재용', 2), ('까닭', 2), ('발품', 2), ('혜택', 2), ('줄', 2), ('사도', 2), ('또', 2), ('날벼락', 2), ('기름값', 2), ('이제', 2), ('값', 2), ('왜', 2), ('앞', 2), ('예정', 2), ('이신', 2), ('시청', 2), ('꿍', 2), ('지하', 2), ('주차장', 2), ('코드', 2), ('해', 2), ('생각', 2), ('명답', 2), ('절약', 2), ('입금', 2), ('디젤', 2), ('월', 2), ('감당', 2), ('판매', 2), ('프로', 2), ('슈퍼차저', 2), ('울트라', 2), ('벽', 2), ('걸이', 2), ('기세', 2), ('국민', 2), ('머니투데이', 2), ('방송', 2), ('차', 2), ('포스트', 2), ('방식', 2), ('주가', 2), ('등', 2), ('내', 2), ('눈', 2), ('원', 2), ('개념', 2), ('응징', 2), ('도', 2), ('돈', 2), ('캠핑카', 2), ('사장', 2), ('반', 2), ('대한민국', 2), ('게', 2), ('정책', 2), ('중국', 2), ('상황', 2), ('집', 2), ('계산법', 2), ('와트', 2), ('와트시', 2), ('완', 2), ('콘센트', 2), ('로만', 2), ('환경', 2), ('경우', 2), ('끝', 2), ('소비자', 2), ('의', 2), ('점점', 2), ('중고차', 2), ('수리', 2), ('결함', 2), ('상담', 2), ('카카오', 2), ('톡', 2), ('독자', 2), ('여러분', 2), ('가량', 2), ('정리', 2), ('우리', 2), ('관련', 2), ('댓글', 2), ('벤츠', 2), ('폐지', 2), ('곧', 2), ('개인', 2), ('우리나라', 2), ('톡방', 2), ('유튜브', 2), ('방', 2), ('량', 2), ('측정', 2), ('알', 2), ('이슈', 2), ('내용', 2), ('우파', 2), ('준비', 2), ('가장', 2), ('신고', 2), ('각종', 2), ('꼬박꼬박', 2), ('카', 2), ('최근', 2), ('때문', 2), ('설정', 2), ('통해', 2), ('니', 1), ('안', 1), ('장단점', 1), ('인터뷰', 1), ('뉴스룸', 1), ('무턱', 1), ('대고', 1), ('사면', 1), ('낭패', 1), ('먼저', 1), ('구해', 1), ('걸', 1), ('친환경', 1), ('사', 1), ('이건', 1), ('관', 1), ('이동형', 1), ('완속', 1), ('모두', 1), ('상상', 1), ('후', 1), ('발견', 1), ('문제', 1), ('돌빙', 1), ('달린다', 1), ('다큐', 1), ('프라임', 1), ('활짝', 1), ('급증', 1), ('리나', 1), ('가격', 1), ('유료', 1), ('화가', 1), ('내내', 1), ('틀', 1), ('누진', 1), ('탈', 1), ('시절', 1), ('건가', 1), ('팁', 1), ('마켓', 1), ('줌', 1), ('설움', 1), ('주로', 1), ('부활', 1), ('증시', 1), ('증권', 1), ('연합뉴스', 1), ('내연기관차', 1), ('작동', 1), ('시작', 1), ('마', 1), ('몰래', 1), ('먹튀', 1), ('무', 1), ('달라', 1), ('온', 1), ('주민', 1), ('법', 1), ('순간', 1), ('분노', 1), ('행동', 1), ('도저히', 1), ('전력량', 1), ('스마트홈', 1), ('성큼', 1), ('폭탄', 1), ('충북', 1), ('한번', 1), ('흉악', 1), ('범', 1), ('충분', 1), ('타격', 1), ('뉴스데스크', 1), ('국내', 1), ('소름', 1), ('초', 1), ('고속', 1), ('출격', 1), ('밥', 1), ('이핏', 1), ('일반', 1), ('주유', 1), ('역시', 1), ('세계', 1), ('속도', 1), ('혀', 1), ('시국', 1), ('오해', 1), ('손해', 1), ('한눈', 1), ('호주', 1), ('상치', 1), ('반격', 1), ('전부', 1), ('위기', 1), ('실태', 1), ('공개', 1), ('시장', 1), ('상화', 1), ('비상', 1), ('차지', 1), ('콘', 1), ('측정기', 1), ('일률', 1), ('필수', 1), ('템', 1), ('만', 1), ('가성', 1), ('비', 1), ('최강', 1), ('가능', 1), ('현대차', 1), ('사고', 1), ('고려', 1), ('도대체', 1), ('저', 1), ('차보', 1), ('운영', 1), ('김', 1), ('매각', 1), ('사연', 1), ('불도', 1), ('발', 1), ('이주찬', 1), ('기자', 1), ('대책', 1), ('요즘', 1), ('정말', 1), ('정부', 1), ('변화', 1), ('보이', 1), ('지난', 1), ('경찰서', 1), ('합법', 1), ('파워', 1), ('큐브', 1), ('볼트', 1), ('답', 1), ('올해', 1), ('친환', 1), ('경차', 1), ('직접', 1), ('아주', 1), ('두서', 1), ('전달', 1), ('브로', 1), ('본색', 1), ('박병일', 1), ('환산', 1), ('특례', 1), ('단계', 1), ('일제', 1), ('출고', 1), ('농장', 1), ('숨', 1), ('각각', 1), ('기준', 1), ('현재', 1), ('명당', 1), ('보유', 1), ('선진국', 1), ('수치', 1), ('현대인', 1), ('기호', 1), ('품목', 1), ('타', 1), ('카페', 1), ('도날드', 1), ('여기', 1), ('리', 1), ('안녕하십니까', 1), ('비니', 1), ('첫', 1), ('몇', 1), ('달이', 1), ('날', 1), ('부터', 1), ('지금', 1), ('작업실', 1), ('일', 1), ('매일', 1), ('이번', 1), ('주', 1), ('동시', 1), ('사실', 1), ('뷰', 1), ('진행', 1), ('김영롱', 1), ('출연', 1), ('박', 1), ('주근', 1), ('스코어', 1), ('대표', 1), ('기업', 1), ('개요', 1), ('물꼬', 1), ('개편안', 1), ('발전', 1), ('팩트', 1), ('다음', 1), ('적용', 1), ('절반', 1), ('일부', 1), ('결정', 1), ('기존', 1), ('낼', 1), ('산업', 1), ('통상', 1), ('자원부', 1), ('문화', 1), ('승', 1), ('차감', 1), ('대혁명', 1), ('럭셔리', 1), ('출시', 1), ('업계', 1), ('파장', 1), ('소음', 1), ('공해', 1), ('고성능', 1), ('상대', 1), ('내연기관', 1), ('구식', 1), ('전락', 1), ('처벌', 1), ('아파트', 1), ('간혹', 1), ('얌체', 1), ('족', 1), ('번', 1), ('오토', 1), ('플러스', 1), ('목록', 1), ('탑', 1), ('과학', 1), ('학원', 1), ('대구', 1), ('수성구', 1), ('멘트', 1), ('수입', 1), ('절전기', 1), ('능이', 1), ('접목', 1), ('주거', 1), ('조성하', 1), ('자립', 1), ('률', 1), ('던', 1), ('그동안', 1), ('잘못', 1), ('부과', 1), ('무려', 1), ('라면', 1), ('기업체', 1), ('농민', 1), ('실제', 1), ('장거리', 1), ('운행', 1), ('무제한', 1), ('포기', 1), ('공용', 1), ('이용', 1), ('스마트', 1), ('플러그', 1), ('궁금증', 1), ('전자제품', 1), ('짓', 1), ('공항', 1), ('만날', 1), ('레이', 1), ('렌트', 1), ('예약', 1), ('안내', 1), ('좌표', 1), ('클럽', 1), ('멤버십', 1), ('가입', 1), ('비롯', 1), ('제도', 1), ('말', 1), ('대한', 1), ('인기', 1), ('고민', 1), ('셨던', 1), ('가전제품', 1), ('발라', 1), ('지지', 1), ('인프라', 1), ('지갑', 1), ('카드', 1), ('세상', 1), ('기술', 1), ('미국', 1), ('일본도', 1), ('독일', 1), ('처음', 1), ('충격', 1), ('소식', 1), ('광고', 1), ('비지니스', 1), ('실장', 1), ('편집자', 1), ('다소', 1), ('이해', 1), ('맘껏', 1), ('다시', 1), ('작년', 1), ('원금', 1), ('최대', 1), ('지원', 1), ('베이징', 1), ('녹색', 1), ('번호판', 1), ('단', 1), ('볼', 1), ('풍경', 1), ('불과', 1), ('해도', 1), ('부자', 1), ('세컨드', 1), ('스트레스', 1), ('전원주택', 1), ('모습', 1), ('왕초보', 1), ('교습', 1), ('신청', 1), ('제한', 1), ('정도', 1), ('상식', 1), ('추천', 1), ('시', 1), ('서비스', 1), ('액세서리', 1), ('크레딧', 1), ('나라', 1), ('늘', 1), ('위', 1), ('기록', 1), ('베스트셀러', 1), ('탄생', 1), ('순수', 1), ('튜닝', 1), ('초보', 1), ('평균', 1), ('설명', 1), ('도전', 1), ('도둑', 1), ('예방', 1)]

◎ 한전 시간대별/계절별 충전 부하량 분석

year2020 = pd.read_csv('/Users/user/Downloads/한국전력공사_EV시간대별 충전부하_20201230.csv', encoding='euc-kr')
year2020.head(4)

	일시	급속/완속	0시	1시	2시	3시	4시	5시	6시	7시	...	14시	15시	16시	17시	18시	19시	20시	21시	22시	23시
0	2020-01	급속	65160	50840	37600	29080	32640	44000	76280	123600	...	339880	350160	350720	329240	305480	264560	226560	184800	143800	125000
1	2020-01	완속	15477	14182	7714	4039	2177	2401	4060	6167	...	22162	28336	32284	36099	41363	40558	38738	39473	41517	48020
2	2020-02	급속	54800	41680	31880	24680	27560	36120	61600	113880	...	285280	298320	300920	281840	274600	227800	189560	150040	117400	95720
3	2020-02	완속	14896	12551	7077	4473	2156	1960	3297	5726	...	21105	26089	30135	32809	40229	40901	36064	34139	35105	41552

4 rows × 26 columns

# 충전 유형 중 '급속'만 가져오기

fast = year2020[year2020['급속/완속'] == '급속']
fast = fast.drop('급속/완속', axis=1)
fast.head(4)

	일시	0시	1시	2시	3시	4시	5시	6시	7시	8시	...	14시	15시	16시	17시	18시	19시	20시	21시	22시	23시
0	2020-01	65160	50840	37600	29080	32640	44000	76280	123600	205320	...	339880	350160	350720	329240	305480	264560	226560	184800	143800	125000
2	2020-02	54800	41680	31880	24680	27560	36120	61600	113880	178200	...	285280	298320	300920	281840	274600	227800	189560	150040	117400	95720
4	2020-03	49720	37200	28760	22960	24760	30440	63080	110440	163800	...	273480	291840	288800	273480	268000	221640	182920	140080	106480	75480
6	2020-04	49880	35400	26440	24240	26960	35600	72000	117560	165920	...	269760	289840	289280	285200	275840	229600	187280	147880	106480	78720

4 rows × 25 columns

# 충전 유형 중 '완속'만 가져오기

slow = year2020[year2020['급속/완속'] == '완속']
slow = slow.drop('급속/완속', axis=1)
slow.head(4)

	일시	0시	1시	2시	3시	4시	5시	6시	7시	8시	...	14시	15시	16시	17시	18시	19시	20시	21시	22시	23시
1	2020-01	15477	14182	7714	4039	2177	2401	4060	6167	10626	...	22162	28336	32284	36099	41363	40558	38738	39473	41517	48020
3	2020-02	14896	12551	7077	4473	2156	1960	3297	5726	9044	...	21105	26089	30135	32809	40229	40901	36064	34139	35105	41552
5	2020-03	13258	10549	6405	3955	2380	2009	3073	5180	8988	...	21357	27419	30044	37506	48006	47579	38185	36050	33201	36456
7	2020-04	13993	12096	6454	3493	2268	2149	3843	5866	9527	...	21742	26761	33194	41615	48307	48356	41650	37835	36701	36960

4 rows × 25 columns

# 그래프로 그리기 쉽게 리스트 형태로 변환하기
# 나중에 x축으로 그려야 할 시간대를 리스트로 가져오기

time = year2020.columns.to_list()
del time[0:2]
time

['0시',
 '1시',
 '2시',
 '3시',
 '4시',
 '5시',
 '6시',
 '7시',
 '8시',
 '9시',
 '10시',
 '11시',
 '12시',
 '13시',
 '14시',
 '15시',
 '16시',
 '17시',
 '18시',
 '19시',
 '20시',
 '21시',
 '22시',
 '23시']

# 급속 1월~12월 자료를 리스트로 가져오기

fast_1 = fast.iloc[0,1:].to_list()
fast_2 = fast.iloc[1,1:].to_list()
fast_3 = fast.iloc[2,1:].to_list()
fast_4 = fast.iloc[3,1:].to_list()
fast_5 = fast.iloc[4,1:].to_list()
fast_6 = fast.iloc[5,1:].to_list()
fast_7 = fast.iloc[6,1:].to_list()
fast_8 = fast.iloc[7,1:].to_list()
fast_9 = fast.iloc[8,1:].to_list()
fast_10 = fast.iloc[9,1:].to_list()
fast_11 = fast.iloc[10,1:].to_list()
fast_12 = fast.iloc[11,1:].to_list()

# 완속 1월~12월 자료를 리스트로 가져오기

slow_1 = slow.iloc[0,1:].to_list()
slow_2 = slow.iloc[1,1:].to_list()
slow_3 = slow.iloc[2,1:].to_list()
slow_4 = slow.iloc[3,1:].to_list()
slow_5 = slow.iloc[4,1:].to_list()
slow_6 = slow.iloc[5,1:].to_list()
slow_7 = slow.iloc[6,1:].to_list()
slow_8 = slow.iloc[7,1:].to_list()
slow_9 = slow.iloc[8,1:].to_list()
slow_10 = slow.iloc[9,1:].to_list()
slow_11 = slow.iloc[10,1:].to_list()
slow_12 = slow.iloc[11,1:].to_list()

◎ 전기자동차 구매보조금 지급현황 2021년 분석

subsidy2021 = pd.read_excel('/Users/user/Downloads/총괄현황(전기자동차 승용)_2021.xls')
subsidy2021.head(3)

	시도	지역구분	차종	접수방법	민간공고대수\n전체\n(우선순위)\n(법인·기관)\n(일반)	민간공고대수 전체	민간공고대수 우선순위	민간공고대수 법인	민간공고대수 일반	접수대수\n(우선순위)\n(법인·기관)\n(일반)	접수대수 우선순위	접수대수 법인	접수대수 일반	접수 잔여대수 전체	접수 잔여대수 일반	출고대수 전체\n(우선순위)\n(법인·기관)\n(일반)	출고대수 전체	출고잔여대수 전체\n(우선순위)\n(법인·기관)\n(일반)	비고
0	서울	서울특별시	전기승용	*일반: 접수순\n*우선: 접수순	14506\n (1445)\n (2027)\n (11034)	14506	1445	2027	11034	\n (594)\n (5201)\n (5496)	594	5201	5496	3215	5538	6432\n (477)\n (2361)\n (3594)	6432	8074\n (968)\n (0)\n (7106)	★★ 기존 본예산 민간보급 5,367대(택시300대 포함)에 추경 9,139대 합하...
1	부산	부산광역시	전기승용	*일반: 접수순(초과시 출고등록순)\n*우선: 출고등록순	4150\n (220)\n (2471)\n (1459)	4150	220	2471	1459	\n (220)\n (2451)\n (1641)	220	2451	1641	0	0	3230\n (177)\n (1941)\n (1112)	3230	920\n (43)\n (530)\n (347)	****************** 보조금 단가차액 발생으로 인한 추가보급 *****...
2	대구	대구광역시	전기승용	*일반: 출고등록순\n*우선: 출고등록순	2451\n (245)\n (980)\n (1226)	2451	245	980	1226	\n (47)\n (571)\n (1635)	47	571	1635	198	0	1730\n (34)\n (463)\n (1233)	1730	721\n (211)\n (517)\n (0)	ㅇ 보급수량 : 4,043대 [승용차 2,451(일반 1,226, 법인 980, 우...

# '차종' 칼럼에 '전기승용' 외에 다른 차종이 있는지 확인

subsidy2021[subsidy2021['차종'] != '전기승용']

	시도	지역구분	차종	접수방법	민간공고대수\n전체\n(우선순위)\n(법인·기관)\n(일반)	민간공고대수 전체	민간공고대수 우선순위	민간공고대수 법인	민간공고대수 일반	접수대수\n(우선순위)\n(법인·기관)\n(일반)	접수대수 우선순위	접수대수 법인	접수대수 일반	접수 잔여대수 전체	접수 잔여대수 일반	출고대수 전체\n(우선순위)\n(법인·기관)\n(일반)	출고대수 전체	출고잔여대수 전체\n(우선순위)\n(법인·기관)\n(일반)	비고

# '시도' 칼럼에 '전국' 칼럼이 있는지 여부 확인 
# 2018년 자료에서는 '전국'으로 잘못 구분되어 있어 제대로 분석이 안된적이 있어서 미리 확인하고자 함

subsidy2021[subsidy2021['시도'] == '전국']

	시도	지역구분	차종	접수방법	민간공고대수\n전체\n(우선순위)\n(법인·기관)\n(일반)	민간공고대수 전체	민간공고대수 우선순위	민간공고대수 법인	민간공고대수 일반	접수대수\n(우선순위)\n(법인·기관)\n(일반)	접수대수 우선순위	접수대수 법인	접수대수 일반	접수 잔여대수 전체	접수 잔여대수 일반	출고대수 전체\n(우선순위)\n(법인·기관)\n(일반)	출고대수 전체	출고잔여대수 전체\n(우선순위)\n(법인·기관)\n(일반)	비고

# 전체 파일에서 유의미하다고 판단되는 칼럼만 가져와 data 만들기

subsidy2021_copy = subsidy2021[['시도', '지역구분', '민간공고대수 전체', '접수대수 우선순위', '접수대수 법인', '접수대수 일반', '접수 잔여대수 전체']]
subsidy2021_copy

	시도	지역구분	민간공고대수 전체	접수대수 우선순위	접수대수 법인	접수대수 일반	접수 잔여대수 전체
0	서울	서울특별시	14506	594	5201	5496	3215
1	부산	부산광역시	4150	220	2451	1641	0
2	대구	대구광역시	2451	47	571	1635	198
3	인천	인천광역시	4568	66	2502	1716	284
4	광주	광주광역시	1148	42	409	664	33
...	...	...	...	...	...	...	...
156	경남	산청군	65	0	1	37	27
157	경남	함양군	52	0	0	14	38
158	경남	거창군	46	1	0	25	20
159	경남	합천군	79	0	3	39	37
160	제주	제주특별자치도	2031	2	698	1382	0

161 rows × 7 columns

# 접수율 현황을 보기 위해, '전체 접수' 칼럼을 새롭게 생성함 

subsidy2021_copy['전체 접수'] = subsidy2021_copy['접수대수 우선순위'] + subsidy2021_copy['접수대수 법인'] + subsidy2021_copy['접수대수 일반']
subsidy2021_copy

	시도	지역구분	민간공고대수 전체	접수대수 우선순위	접수대수 법인	접수대수 일반	접수 잔여대수 전체	전체 접수
0	서울	서울특별시	14506	594	5201	5496	3215	11291
1	부산	부산광역시	4150	220	2451	1641	0	4312
2	대구	대구광역시	2451	47	571	1635	198	2253
3	인천	인천광역시	4568	66	2502	1716	284	4284
4	광주	광주광역시	1148	42	409	664	33	1115
...	...	...	...	...	...	...	...	...
156	경남	산청군	65	0	1	37	27	38
157	경남	함양군	52	0	0	14	38	14
158	경남	거창군	46	1	0	25	20	26
159	경남	합천군	79	0	3	39	37	42
160	제주	제주특별자치도	2031	2	698	1382	0	2082

161 rows × 8 columns

# 정리한 파일을 pivot table 형태로 재정리

subsidy2021_pivot = pd.pivot_table(subsidy2021_copy,
                        index='시도',
                        values=['민간공고대수 전체', '전체 접수', '접수 잔여대수 전체'],
                        aggfunc='sum')

subsidy2021_pivot

	민간공고대수 전체	전체 접수	접수 잔여대수 전체
시도
강원	2624	1533	1091
경기	10228	11153	401
경남	3466	2281	1254
경북	2259	1655	688
광주	1148	1115	33
대구	2451	2253	198
대전	3154	2438	716
부산	4150	4312	0
서울	14506	11291	3215
세종	300	411	0
울산	375	464	0
인천	4568	4284	284
전남	1538	1464	155
전북	1517	1927	58
제주	2031	2082	0
충남	2441	2182	425
충북	2616	2107	569

# '전체 접수'/'민간공고대수 전체' 를 계산하여, 접수율(%)로 나타내는 칼럼을 생성

subsidy2021_pivot['접수율(%)'] = ((subsidy2021_pivot['전체 접수']/subsidy2021_pivot['민간공고대수 전체'])*100).round(0)
subsidy2021_pivot

	민간공고대수 전체	전체 접수	접수 잔여대수 전체	접수율(%)
시도
강원	2624	1533	1091	58.0
경기	10228	11153	401	109.0
경남	3466	2281	1254	66.0
경북	2259	1655	688	73.0
광주	1148	1115	33	97.0
대구	2451	2253	198	92.0
대전	3154	2438	716	77.0
부산	4150	4312	0	104.0
서울	14506	11291	3215	78.0
세종	300	411	0	137.0
울산	375	464	0	124.0
인천	4568	4284	284	94.0
전남	1538	1464	155	95.0
전북	1517	1927	58	127.0
제주	2031	2082	0	103.0
충남	2441	2182	425	89.0
충북	2616	2107	569	81.0

# '접수율(%)'이 높은 지역순으로 정리

subsidy2021_pivot = subsidy2021_pivot.sort_values(by='접수율(%)', ascending=False)
subsidy2021_pivot

	민간공고대수 전체	전체 접수	접수 잔여대수 전체	접수율(%)
시도
세종	300	411	0	137.0
전북	1517	1927	58	127.0
울산	375	464	0	124.0
경기	10228	11153	401	109.0
부산	4150	4312	0	104.0
제주	2031	2082	0	103.0
광주	1148	1115	33	97.0
전남	1538	1464	155	95.0
인천	4568	4284	284	94.0
대구	2451	2253	198	92.0
충남	2441	2182	425	89.0
충북	2616	2107	569	81.0
서울	14506	11291	3215	78.0
대전	3154	2438	716	77.0
경북	2259	1655	688	73.0
경남	3466	2281	1254	66.0
강원	2624	1533	1091	58.0

# 시도별 시도청 좌표를 이용하여 '접수율(%)' 팝업을 만들어주기 위해 아래 포인트 좌표 정보를 기존 데이터 칼럼에 추가함

points = [(36.48029578639659, 127.28873261198503),
         (35.82083993323393, 127.1087025004606),
         (35.53975333304137, 129.31158124258656),
         (37.27508576391278, 127.00916864076918),
         (35.17997543308802, 129.07496554072623),
         (33.49975802049925, 126.53122181185711),
         (35.16023446384084, 126.85147579839806),
         (34.81638593672694, 126.46291346955505),
         (37.456311115170536, 126.70593715611761),
         (35.87152629515447, 128.60177155608466),
         (36.65945461268764, 126.67323591510677),
         (36.635662921691626, 127.49141962911725),
         (37.56665790737507, 126.97843752283612),
         (36.3504653210207, 127.38484015609463),
         (36.576149919388975, 128.50560632726288),
         (35.238334294583886, 128.69245164258035),
         (37.88536075206237, 127.72974422734971)]

subsidy2021_pivot['points'] = points
subsidy2021_pivot

	민간공고대수 전체	전체 접수	접수 잔여대수 전체	접수율(%)	points
시도
세종	300	411	0	137.0	(36.48029578639659, 127.28873261198503)
전북	1517	1927	58	127.0	(35.82083993323393, 127.1087025004606)
울산	375	464	0	124.0	(35.53975333304137, 129.31158124258656)
경기	10228	11153	401	109.0	(37.27508576391278, 127.00916864076918)
부산	4150	4312	0	104.0	(35.17997543308802, 129.07496554072623)
제주	2031	2082	0	103.0	(33.49975802049925, 126.53122181185711)
광주	1148	1115	33	97.0	(35.16023446384084, 126.85147579839806)
전남	1538	1464	155	95.0	(34.81638593672694, 126.46291346955505)
인천	4568	4284	284	94.0	(37.456311115170536, 126.70593715611761)
대구	2451	2253	198	92.0	(35.87152629515447, 128.60177155608466)
충남	2441	2182	425	89.0	(36.65945461268764, 126.67323591510677)
충북	2616	2107	569	81.0	(36.635662921691626, 127.49141962911725)
서울	14506	11291	3215	78.0	(37.56665790737507, 126.97843752283612)
대전	3154	2438	716	77.0	(36.3504653210207, 127.38484015609463)
경북	2259	1655	688	73.0	(36.576149919388975, 128.50560632726288)
경남	3466	2281	1254	66.0	(35.238334294583886, 128.69245164258035)
강원	2624	1533	1091	58.0	(37.88536075206237, 127.72974422734971)

# 지도에 그려보기 위해서 geojson 파일과 칼럼을 맞춰주는 작업 필요
# TL_SCCO_CTPRVN.zip.geojson 파일의 CTP_KOR_NM과 df2021 테이블의 지역명을 매칭시켜주기 위해 인덱스 이름 변경

subsidy2021_pivot = subsidy2021_pivot.rename(index={'세종':'세종특별자치시', '전북':'전라북도',
                                  '제주':'제주특별자치도', '전남':'전라남도',
                                 '경기':'경기도', '서울':'서울특별시',
                                 '울산':'울산광역시', '부산':'부산광역시',
                                 '광주':'광주광역시', '인천':'인천광역시',
                                 '대구':'대구광역시', '충남':'충청남도',
                                 '충북':'충청북도', '대전':'대전광역시',
                                 '경북':'경상북도', '경남':'경상남도',
                                 '강원':'강원도'})

◎ Youtube 전기자동차전기세 검색 단어 분석 결과를 워드클라우드로 그려보기

# 워드클라우드 그리기

mask = np.array(Image.open('car4.jpeg'))

wordcloud = WordCloud(font_path='AppleGothic',
                      background_color='white',
                      width = 480,
                      height = 480,
                     mask=mask)
wordcloud.generate_from_frequencies(dict(most_total))

plt.figure(figsize=(15,15))
plt.imshow(wordcloud, interpolation='lanczos')
plt.axis("off")

(-0.5, 1199.5, 1199.5, -0.5)

wordcloud.to_file('EV_car_youtube.png')

<wordcloud.wordcloud.WordCloud at 0x7fab6c55c2b0>

전기자동차와 더불어 충전기 , 전기요금, 유지비, 보조금 등과 같은 것들에 관심이 많은 것을 알 수 있음
전기자동차를 구매하려고 할 때 충전기의 위치, 전기요금과 보조금 부분은 크게 영향을 주기 때문임
따라서, 현재 한국은 위에 고려해야할 여건들이 잘 갖추어져 있는지 아래와 같이 알아보고자 함

• 1.휴게소 별 충전기 현황
• 2.전기차와 내연기관차의 경제성 분석
• 3.계절별/시간대별 전기차 충전부하량 분석
• 4.시도별 보조금 접수현황

◎ 계절별, 시간대별 충전부하량 그래프 그리기

한국전력 전기공급 약관 를 기준으로 계절별 최대 부하시간대의 충전부하량을 살펴보고자 함

• 시간대별 : 한전은 시간대별(총 3종류)로 계절별 다른 전기요금을 부과하고 있음
  • 경부하시간대 / 중간부하시간대 / 최대부하시간대
  • 위 시간대 중에, 전기료가 가장 비싼 최대부하시간대 의 충전부하량이 어떤지 알아보고자 함

• 계절별 :
  • 여름철 (6,7,8월)
  • 봄,가을철 (3,4,5,9,10월)
  • 겨울철 (11,12,1,2월)

1. 여름철 (6,7,8월), 여름철 최대 부하시간대 (10시-12시, 13시-17시)

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_6, color='darkslategrey')
p2 = plt.bar(time, slow_6, bottom=fast_6, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('6월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_7, color='darkslategrey')
p2 = plt.bar(time, slow_7, bottom=fast_7, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('7월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_8, color='darkslategrey')
p2 = plt.bar(time, slow_8, bottom=fast_8, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('8월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

1. 봄,가을철 (3,4,5,9,10월), 봄가을철 최대 부하시간대 (10시-12시, 13시-17시)

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_3, color='darkslategrey')
p2 = plt.bar(time, slow_3, bottom=fast_3, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('3월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_4, color='darkslategrey')
p2 = plt.bar(time, slow_4, bottom=fast_4, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('4월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_5, color='darkslategrey')
p2 = plt.bar(time, slow_5, bottom=fast_5, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('5월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_9, color='darkslategrey')
p2 = plt.bar(time, slow_9, bottom=fast_9, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('9월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_10, color='darkslategrey')
p2 = plt.bar(time, slow_10, bottom=fast_10, color='darkcyan')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('10월')
plt.xticks(time)
plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')


span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[13]
span_end = time[17]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

1. 겨울철 (11,12,1,2월), 겨울철 최대 부하시간대 (10시-12시, 17시-20시, 22시-23시)

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_11, color='darkslategrey')
p2 = plt.bar(time, slow_11, bottom=fast_11, color='darkcyan')

plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('11월')
plt.xticks(time)
span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[17]
span_end = time[20]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[22]
span_end = time[23]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_12, color='darkslategrey')
p2 = plt.bar(time, slow_12, bottom=fast_12, color='darkcyan')

plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('12월')
plt.xticks(time)
span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[17]
span_end = time[20]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[22]
span_end = time[23]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_1, color='darkslategrey')
p2 = plt.bar(time, slow_1, bottom=fast_1, color='darkcyan')

plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('1월')
plt.xticks(time)
span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[17]
span_end = time[20]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[22]
span_end = time[23]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

plt.figure(figsize=(14,5))

p1 = plt.bar(time, fast_2, color='darkslategrey')
p2 = plt.bar(time, slow_2, bottom=fast_2, color='darkcyan')

plt.axhline(50000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(100000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(150000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(200000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(250000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(300000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(350000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(400000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(450000, 0, 1, color='lightgray', linestyle='--')
plt.axhline(500000, 0, 1, color='lightgray', linestyle='--')

plt.legend((p2[0], p1[0]), ('완속', '급속'))
plt.title('2월')
plt.xticks(time)
span_start = time[10]
span_end = time[12]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[17]
span_end = time[20]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

span_start = time[22]
span_end = time[23]
plt.axvspan(span_start, span_end, facecolor='red', alpha=0.3)

plt.show()

• 전기세가 가장 비싼 최대부하시간대 임에도 불구하고, 대부분 충전부하량이 가장 높은 것을 알 수 있음
• 겨울철은 최대부하시간대가 다른계절과 달라서, 다른 계절에 비해 낮은 경향을 보임
• 이를 통해, 한국전력은 전기차 보급이 확대됨에 따라 최대부하시간대 에 공급할 수 있는 전력량을 높일 수 있는 방안, 또는 전기차에 대한 전기세 할인을 다른 전기 사용과 구분하여 추가 공급 및 할인 할 수 있는 방법을 모색해야할 것으로 보임
• 데이터의 한계점 : 한국전력에서 운영하는 충전기에 대한 자료이다 보니, 급속 충전 비율이 높을 수 밖에 없을 것 같음
• 반대로, 주거용 충전기 전력부하량 데이터가 있었으면 완속 충전 비율이 더 높았을 것이고, 충전기에 예약충전 시스템을 활용하여, 전기세가 가장 낮은 시간대에 충전할 수 있게 했을 것으로 추정

◎ 시도별 보조금 접수율 현황을 그래프로 그려보기

2021년 시도별 전기승용, 지자체별 보조금 접수율을 그래프로 그려봄으로써, 현재 보조금 접수율이 초과된 지역은 어디인지 알아보고, 1)추가로 예산 편성이 필요한 지역이나 2)내년 예산 계획 시 참고할 만한 내용 이 있을지 알아보고자 함

# 막대그래프로 접수율이 100% 초과한 곳을 알아보기

plt.figure(figsize=(14,6))

plt.barh(subsidy2021_pivot.index, subsidy2021_pivot['접수율(%)'], color='skyblue')
plt.axvline(x=(100), color='r', linestyle='--', linewidth=3)
plt.xlabel('시도별 전기자동차 보조금 신청 접수율(%), 2021년 기준', fontsize=13)
plt.show()

# 시도별 접수율(%) 현황을 지도에 그려보기

state_geo = '/Users/user/Downloads/TL_SCCO_CTPRVN.zip.geojson'
state_geo2 = json.load(open(state_geo, encoding='utf-8'))

map2 = folium.Map(location=[35.8, 127.6], zoom_start=7)

choropleth = folium.Choropleth(geo_data=state_geo2,
                               data=subsidy2021_pivot,
                               columns=[subsidy2021_pivot.index, '접수율(%)'],
                               fill_color='YlGnBu',
                               key_on='properties.CTP_KOR_NM',
                               highlight=True).add_to(map2)

# 위에 Choropleth의 옵션 중, highlight는 시도별 구분(영역)을 마우스를 가져다 대면 진하게 보여줌

# 전체화면 변경하는 버튼 만들기
plugins.Fullscreen(position = 'topright',
                  title = 'Click to Expand',
                  title_cancel = 'Click to Exit',
                  force_separate_button=True).add_to(map2)

# 지역별로 시도 이름이 나오게 표시하기
style_function = "font-size: 15px; font-weight: bold"
choropleth.geojson.add_child(
    folium.features.GeoJsonTooltip(['CTP_KOR_NM'], style=style_function, labels=False))
title_html = '<h3 align="center" style="font-size:20px"><b>시도별 전기자동차 보조금 신청 접수율(%)</b></h3>'
map2.get_root().html.add_child(folium.Element(title_html))

folium.LayerControl().add_to(map2)

map2

Make this Notebook Trusted to load map: File -> Trust Notebook

# 자동차 아이콘 클릭 시, 팝업 붙여주기

for i in range(len(subsidy2021_pivot.index)):
    icon=folium.Icon(color='white', icon='car', icon_color="green", prefix='fa')
    folium.Marker(subsidy2021_pivot['points'][i], icon=icon, popup=subsidy2021_pivot['접수율(%)'][i]).add_to(map2)

map2

Make this Notebook Trusted to load map: File -> Trust Notebook

• 색상이 진한 곳 > 접수율이 높은 곳(100% 이상은 초과접수 상태)
  세종, 전북, 울산, 경기, 부산, 제주도는 접수율 100% 이상 ➡️ 추가 예산 편성이 필요할 것으로 보임
  
• 서울특별시는 추경을 통해 9,139대 증가하였음 (경기도 일부 시에서도 추경 진행)
  
• 2022년 부터는 접수율이 높은 시도의 보조금 확대 및 빠른 추가예산 집행이 필요할 것으로 보임

---

기대효과 및 개선사항

• 제주, 대구, 울산, 충남, 대전, 서울 은 충전소 1대가 커버해야할 전기차의 수가 굉장히 높기 때문에(충전기 1대당 전기차 40대 이상), 우선적으로 충전기 추가 설치 지원이 필요함
  

• 시도별 전기차 보조금의 경우 세종, 전북, 울산, 경기, 부산, 제주는 이미 초과 접수가 된 상황으로, 추경 집행 또는 2022년 예산 계획 시 폭넓은 지원이 필요하다 판단됨
  

• 제주, 울산 지역은 충전소도 부족하고, 보조금 예산도 이미 초과된 지역이기 때문에, 우선적인 추가 예산 편성이 필요함
  

• 한국전력은 전기차 보급이 확대됨에 따라 최대부하시간대 에 공급할 수 있는 전력량을 높일 수 있는 방안이 필요해 보임
  

• 22년 7월부터는 완전폐지되는 전기차 충전전력 특례 할인제도를 유지 및 확대해야 함
  

• 전기차의 구매비용이 내연기관차와 비교했을 때, 보조금을 지원하더라도 굉장히 높음 (보조금 및 취등록세 부분에서 정부차원의 지원이 더 필요해보임)
  

• 전기차 유지비 중에서도 큰 지출을 차지하는 보험료를 할인할 수 있는 방안을 모색해야 함 (ex: 블랙박스 할인, 자녀 할인과 같은 유형을 만들어서 제공)
  

• 충전소가 없는 휴게소가 7개소(여산휴게소(천안방향), 시흥하늘휴게소, 함안휴게소(순천방향),목감휴게소(시흥방향), 청송휴게소(영덕방향), 추풍령휴게소(서울방향), 추풍령휴게소(부산휴게소)가 있어 충전소 설치가 필요하며, 충전기가 많은 휴게소들은 대부분 현대자동차에서 설치한 충전소가 함께 있어 충전기가 다른 휴게소보다 많은 것으로 보이는 것으로 평균 충전기 대수 2.31대로 매우 부족하므로 추가 설치가 필요함

---

개발후기 및 느낀점

• 아쉬운 점
  • 생각보다 전기차 관련 공공데이터가 부족하다고 느꼈음
  • 제공하는 기관별 데이터의 수치가 상이하여, 분석 시 어려움이 있었음
  • 분석 자체보다 데이터 전처리에 시간이 많이 들었는데, 아이디어가 있어도 전처리를 빨리 하지 못해 여러가지 아이디어를 구현하지 못한 점이 아쉬움
  • Django를 이용하여 전기차 vs 내연기관차의 경제성을 분석해볼 수 있는 웹사이트를 구현해보고 싶었지만, 능력적인 한계로 못한 점
  • 예측모델(ex:Logistic Fuction, 머신러닝)을 이용하여, 한국의 전기차 증가추세(ex:한국은 과연 몇년후에 전기차가 내연기관차보다 많아질까?)를 예측하고 싶었으나, 시간의 한계와 능력치의 한계로 구현해보지 못한 점

• 느낀점
  • 권미숙 : 프로젝트를 처음부터 끝까지 직접 구현해볼 수 있어서 유익했고, 더 많은 공부의 필요성을 느꼈다.
  • 김병석 : 방대한 데이터를 다루기에 시간이 부족한 것과, 시각화 할때 처음 설계를 완벽히 하지 못해 헤매게 된 점이 아쉬웠지만, 나만의 노하우가 생긴 느낌이 들어 정말 값진 경험이었다.
  • 이우림 : 혼자 처음부터 실제로 코드를 작성해보고 시각화하면서, 중간중간 크고 작은 어려움이 있었지만 하나씩 찾아가면서 해결해보니 성취감이 정말 높았다. 내가 몰랐던 라이브러리들이 너무 많았고, 앞으로도 이를 적극 활용할 수 있는 능력을 더 키워야겠다. 그냥 지식으로 아는 것과 실제로 구현해보는 것은 정말 천지 차이였다!!
  • 천준 : 프로젝트를 통하여 데이터를 모으고 또 그 많은 데이더 중에 관련있는 유의미한 결과를 도출하기위해 필요부분을 축약하는 과정이 재미있었다. 가정으로만 알았던 주제를 데이터라는 도구를통해 눈에보이는 구체적 결과로 증명하는것이 좋았다.
  • 홍효석 : 전기차에 대한 공공 데이터가 생각보다 부족하다는 것을 느꼈고 강의를 통하여 배웠던 라이브러리나 분석을 실제 활용하며 부족했던 부분을 채우고 새로운 기능도 알 수 있었다.

감사합니다. 🤓